CN109711955A

CN109711955A - 基于当前订单的差评预警方法、系统、黑名单库建立方法

Info

Publication number: CN109711955A
Application number: CN201910119945.8A
Authority: CN
Inventors: 陈鹏; 谢伟良; 傅晗文
Original assignee: Hangzhou Cross-Border State Information Technology Co Ltd
Current assignee: Hangzhou ping pong Intelligent Technology Co.,Ltd.
Priority date: 2019-02-18
Filing date: 2019-02-18
Publication date: 2019-05-03
Anticipated expiration: 2039-02-18
Also published as: CN109711955B

Abstract

本发明公开了一种基于当前订单的差评预警方法，该方法能够根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成，若待测买家与差评师黑名单库中的其中一个差评师为同一人，则表明该当前买家为更换了账号的历史差评师，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。本发明还提供了基于当前订单的差评预警系统、黑名单库的建立方法、计算机设备及存储介质。

Description

基于当前订单的差评预警方法、系统、黑名单库建立方法

技术领域

本发明属于电子商务信息技术领域，尤其涉及一种基于当前订单的差评预警方法、系统、黑名单库的建立方法、计算机设备及存储介质。

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差评师。

针对上述问题，最原始的识别差评师的具体方法是：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，商铺卖家或客服部门人员依靠经验进行主观判断是否为差评师，具体为查看该买家过往的购买记录、评价记录以及注册时间和信用度，这种识别差评师的方法存在以下问题：1)人工识别，效率非常低；2)由于用来识别差评师的信息不完整，人为识别的主观意识比较强，因此识别的准确性非常低；3)在差评师索取钱财时才进行识别，非常被动，给卖家带来极大的困扰。

为了提高识别效率和准确率，现有技术中出现了利用计算机自动识别买家是否为差评师的方法，例如CN201210494802-用户身份的识别、信息的过滤及搜索方法和服务器，具体为：获取该买家在当前电商平台上的历史评论信息以及注册信息，然后根据设定的算法规则进行判定其是否为差评师。

但该方法存在缺陷：1)只能针对有历史数据的，更换新号后则无法识别； 2)依然是给出差评后再进行甄别，不能最大限度地减少卖家的干扰。

发明内容

本发明的技术目的是提供一种基于当前订单的差评预警方法、系统、黑名单库的建立方法、计算机设备及存储介质，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。

为解决上述问题，本发明的技术方案为：

一种基于当前订单的差评预警方法，包括：

获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；

获取当前订单的订单信息；

从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；

所述历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；

所述比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和所述自身信息。

根据本发明一实施例，所述根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人进一步为：先比对所述自身信息，若至少有一个相同，则判定其为同一人；否则比对所述待测买家和所述差评师的设备标识码是否相同，若相同，则为同一人；否则，比对所述待测买家和所述差评师的定位信息，若定位相似度超过预设的定位相似度阈值，则为同一人，否则，比对所述待测买家和所述差评师的好友，若好友重叠度超过预设的好友重叠度阈值，则为同一人，否则，不是同一人。

根据本发明一实施例，所述比对所述待测买家和所述差评师的定位信息具体为：比对所述待测买家与所述差评师的省份是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值；若相同，则比对所述待测买家与所述差评师的城市是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值，若相同，则判定所述待测买家与所述差评师的具体街道地址的相似度，若所述具体街道地址的相似度超过预设的街道相似度阈值，则判定所述待测买家与所述差评师的定位相似度超过预设的定位相似度阈值。

根据本发明一实施例，所述获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述差评师黑名单库的建立过程包括：

A1，获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；

A2，计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

A3，建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

A4，基于步骤A3的结果构建决策树模型；

A5，将每个所述历史买家对应的离群评论特征属性以及正常评论特征属性输入所述决策树模型判断每个所述历史买家是否为差评师，若为差评师，则将所述历史买家的比对信息加入黑名单库。

根据本发明一实施例，所述步骤A4中构建决策树模型进一步为：

A401，设定差评师的判定标准，根据所述判定标准筛选出部分差评师；

A402，提取所述步骤A401中的差评师对应的多维度评论特征属性，并生成训练数据集；

A403，计算所述训练数据集中包含的每个评论特征属性的信息增益，根据所述信息增益选择最佳的分裂决策属性作为节点构建所述决策树模型。

根据本发明一实施例，所述步骤A2中的所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师；

所述步骤A401中的差评师的判定标准具体为：平均分指数低到离群且评价偏差度指数大到离群；平均分指数低到离群且被卖家评为过差评师；平均分指数低到离群且单日评价率高到离群；平均分指数低到离群且退货率高到离群；平均分指数低到离群且低评价商品指数高到离群；平均分指数低到离群且新号概率大于预设概率阈值。

基于相同的发明构思，本发明还提供了一种基于当前订单的差评预警系统，包括：

黑名单获取模块，用于获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；

订单信息获取模块，用于获取当前订单的订单信息；

预警模块，用于从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；

根据本发明一实施例，所述黑名单获取模块获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述黑名单获取模块包括：

历史买家信息获取模块，获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；

评论特征属性计算模块，用于计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

离群预测模型建立模块，用于建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

决策树构建模块，用于构建决策树模型；

判断模块，用于将每个所述历史买家对应的离群评论特征属性以及正常评论特征属性输入所述决策树模型判断每个所述历史买家是否为差评师，若为差评师，则将所述历史买家的比对信息加入黑名单库。

本发明还提供了一种电商平台的差评师黑名单库的建立方法，包括：

获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；

计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

构建决策树模型；

将每个所述历史买家对应的离群评论特征属性以及正常评论特征属性输入所述决策树模型判断每个所述历史买家是否为差评师，若为差评师，则将所述历史买家的比对信息加入黑名单库。

本发明还提供了一种计算机设备，包括存储器和处理器以及存储在存储器上并可被处理器调用的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的基于当前订单的差评预警方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，本发明提供的基于当前订单的差评预警方法。

本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：

本发明一实施例中的基于当前订单的差评预警方法能够根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成，若待测买家与差评师黑名单库中的其中一个差评师为同一人，则表明该当前买家为更换了账号的历史差评师，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。

附图说明

图1为本发明的一种基于当前订单的差评预警方法的流程图；

图2为本发明的一种获取电商平台的差评师黑名单库的流程图；

图3为本发明的一种构建决策树模型的流程图；

图4为本发明构建的决策树图；

图5为本发明的一种基于当前订单的差评预警系统的结构框图；

图6为本发明的黑名单获取模块的结构框图；

图7为本发明的一种差评师黑名单库的建立方法的流程图。

具体实施方式

以下结合附图和具体实施例对本发明提出的一种基于当前订单的差评预警方法、系统、黑名单库的建立方法、计算机设备及存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。

实施例1

本实施例中的基于当前订单的差评预警方法的执行主体可以是电商平台的服务器，参看图1，基于当前订单的差评预警方法包括：获取电商平台的差评师黑名单库，差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址等；

获取当前订单的订单信息；

从当前订单的订单信息中提取待测买家的比对信息，根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和自身信息。

本实施例中的基于当前订单的差评预警方法能够根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成，若待测买家与差评师黑名单库中的其中一个差评师为同一人，则表明该当前买家为更换了账号的历史差评师，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。

相对于现有技术，本实施例提供的方法可以克服传统人工鉴别的效率低准确率低的问题。同时本实施例提供的方法也能够对更换新账号的差评师进行甄别，新账号没有历史数据导致现有的甄别技术无法对差评师进行甄别，本实施例中选取的比对信息在一般情况下与买家(差评师)个人相对关系密切，即使改用新号进行差评，比对信息也一般不会改动，因此可将当前买家与历史买家进行关联，若关联上，即判定为同一个人，则可判定当前买家为差评师。另外，本方法在收到买家下单的订单信息后，即进行对当前买家身份的鉴定，将身份鉴别置于交易之前，避免了交易后差评师的恶意差评行为，减少困扰，提高用户体验。

进一步地，根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人进一步为：先比对自身信息，若至少有一个相同，则判定其为同一人；否则比对待测买家和差评师的设备标识码是否相同，若相同，则为同一人；否则，比对待测买家和差评师的定位信息，若定位相似度超过预设的定位相似度阈值，则为同一人，否则，比对待测买家和差评师的好友，若好友重叠度超过预设的好友重叠度阈值，则为同一人，否则，不是同一人。

具体地，比对待测买家和差评师的定位信息具体为；比对待测买家与差评师的省份是否相同，若不同，则判定待测买家与差评师的定位相似度不超过预设的定位相似度阈值；若相同，则比对待测买家与差评师的城市是否相同，若不同，则判定待测买家与差评师的定位相似度不超过预设的定位相似度阈值，若相同，则判定待测买家与差评师的具体街道地址的相似度，若具体街道地址的相似度超过预设的街道相似度阈值，则判定待测买家与差评师的定位相似度超过预设的定位相似度阈值。

省份和城市的比对可通过比对相应的代码是否相等来实现，例如邮编等。具体街道地址的相似度利用下述公式计算：

相似度＝Kq*q/(Kq*q+Kr*r+Ks*s)(Kq>0,Kr>＝0,Ka>＝0)

其中，q是两个街道地址中都存在的字的总数，s是当前买家的街道地址中存在，历史买家的街道地址中不存在的字的总数，r是历史买家的街道地址中存在，当前买家的街道地址中不存在的字的总数。Kq,Kr和ka分别是q,r,s的权重，根据实际的计算情况，可以选择Kq＝2，Kr＝Ks＝1。

至此，完成了对图1所示的基于当前订单的差评预警方法的描述。

下面结合图2对获取电商平台的差评师黑名单库作进一步说明。

参看图2，获取电商平台的差评师黑名单库进一步为建立电商平台的差评师黑名单库，差评师黑名单库的建立过程包括：

A1，获取电商平台上的部分或全部历史买家的自身信息以及历史买家在电商平台上的评论信息；

由于历史买家数量庞大，若全部选择则有可能带来较大的计算量，因此可以选取部分历史买家的数据；当然，在服务器计算能力允许的情况下也可以选择全部历史买家的数据；

A2，计算出历史买家的多维度评论特征属性；其中，多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

上述多维度评论特征属性选取的越多，评价的维度越多，最终得到的黑名单结果越准确；

A3，建立大数据离群预测模型，将多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

本步骤期望将每个历史买家的评论信息中每个特征属性进行逐个判定，区分出每个历史买家的评论信息中哪些是离群的异常属性，哪些是非离群的正常属性；

A4，基于步骤A3的结果构建决策树模型；

A5，将每个历史买家对应的离群评论特征属性以及正常评论特征属性输入决策树模型判断每个历史买家是否为差评师，若为差评师，则将历史买家的比对信息加入黑名单库。

以上借助历史买家的评论信息中的多维度属性特征，利用大数据离群预测模型和决策树模型对历史买家的评论信息进行综合分析，分析的数据中综合了历史买家的多个维度，提高了历史差评师分析的准确性，降低误判率。多个模型交叉验证，进一步提高判定的准确性。并且在此基础上，利用当前订单中买家的比对信息，选取的比对信息在一般情况下与买家个人相对关系密切，即使改用新号进行差评，比对信息也不会改动，因此可将当前买家与历史买家进行关联，若关联上，即判定为同一个人，则可判定当前买家为差评师。

至此，完成了对图2所示的获取电商平台的差评师黑名单库的描述。

下面对多维度评论特征属性中的评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率分别进行说明。

第一，评论平均分指数：

s₁＝(5-R_buyeravg)/4

s₁表示买家平均分指数,R_buyeravg表示当前历史买家所有评价的平均分。 4表示5分和1分之间的分差，其结果表示买家好评度越高，则指数越小。一般用户在评价时大多情况下给予的是好评，当某个用户给予的评分都很低时，则该用户存在极大的差评风险。

第二，评价偏差度指数：

r_product表示商品平均分，r_buyer表示买家评价分。num_{buyerallrating}表示买家全部评价数量。一般正常买家其评价分应与大众的评价相似，其偏差并不会很大。当某个买家进行虚假评价时，其评价分会出现较大的偏差。当一个买家平均偏差较大时，则该买家的风险性较高。

第三，新号概率：

time_now-time_early表示当前时间和买家最早评价时间的日期差，时间跨度越大卖家疑似新号的概率越小。当一个买家其最早的评论小于6个月，则其作为小号的可能性极高。

第四，单日评价率：

num_onedaymax表示买家单日最大评价数量，num_{buyerallrating}表示买家全部评价数量。其结果表示，买家评论集中度，单日评价占比越高，则该买家具有一定的风险。统计结果中，10.9％的用户存在单日评价比大于80％。这类买家小号及虚假买家的概率较高。

第五，低评价商品指数：

num_{productrating}表示商品全部评价数量，若商品评价数量小于是10条，则认为该商品为低评价商品，买家评价该类商品具有一定的风险值。一般买家在购买时，应会选择评论较多的商品，这类商品具有一定的质量保证。当一个买家多次评论，只有少数评论的商品时。则该买家有一定的虚假评论嫌疑。

第六，有帮助指数：

∑num_help表示用户收到的帮助数，num_{buyerallrating}表示买家全部评价数量。当一个买家的差评被较多其他用户认同时，则表明该用户具有一定的可信度。

第七，退货率：

num_return表示退货数量，num_all表示当前买家的全部购买数量。

下面对步骤A3所述的建立大数据离群预测模型，将多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性作进一步的说明。具体步骤如下:

对买家的评论信息进行多维度上的统计分析，经统计分析后将数据相近的特征属性所对应的评论行为归为一类，从而筛选出特征属性数据异常的离群的评论行为。

在选取的历史买家的评论信息中，将历史买家的评论平均分指数这一特征属性分配至数据集合A中，即A＝{A₁、A₂、A₃…A_n}；将历史买家的评价偏差度指数这一特征属性分配至数据集合B中，即B＝{B₁、B₂、B₃…B_n}，将历史买家的单日评价率这一特征属性分配至数据集合C中，即 C＝{C₁、C₂、C₃…C_n}；将历史买家的低评价商品指数这一特征属性分配至数据集合D中，即D＝{D₁、D₂、D₃…D_n}；

将历史买家的退货率这一特征属性分配至数据集合E中，即 E＝{E₁、E₂、E₃…E_n}；

判断历史买家评论信息中的一个或一个以上属性是否为离群的异常属性可由下式计算得知：

其中，a为确定历史买家评论平均分指数这一属性的正常区间时所设的预设值，为历史买家的评论信息中评论平均分指数的平均值，可由下式计算得知：

其中，b为确定历史买家评价偏差度指数这一属性的正常区间时所设的预设值，为历史买家评价偏差度指数的平均值，可由下式计算得知：

其中，c为确定历史买家单日评价率这一属性的正常区间时所设的预设值，为历史买家的单日评价率的平均值，可由下式计算得知：

其中，d为确定历史买家低评价商品指数这一属性的正常区间时所设的预设值，为历史买家低评价商品指数的平均值，可由下式计算得知：

其中，e为确定历史买家退货率这一属性的正常区间时所设的预设值，为历史买家退货率的平均值，可由下式计算得知：

本步骤中将能获取到的历史数据，即每个历史买家的评论信息中每个特征属性进行逐个判定，区分出每个历史买家的评论信息中哪些是离群的异常属性，哪些是非离群的正常属性。

下面结合图3对步骤A4中构建决策树模型作具体说明。参看图3，步骤 A4中构建决策树模型进一步为：

A401，设定差评师的判定标准，根据判定标准筛选出部分差评师；

在一个实施方式中，步骤A401中的差评师的判定标准具体为：平均分指数低到离群且评价偏差度指数大到离群；平均分指数低到离群且被卖家评为过差评师；平均分指数低到离群且单日评价率高到离群；平均分指数低到离群且退货率高到离群；平均分指数低到离群且低评价商品指数高到离群；平均分指数低到离群且新号概率大于预设概率阈值；

A402，提取步骤A401中的差评师对应的多维度评论特征属性，并生成训练数据集；

A403，计算训练数据集中包含的每个评论特征属性的信息增益，根据信息增益选择最佳的分裂决策属性作为节点构建决策树模型。

至此，完成了对图3所示的构建决策树模型的描述。

下面结合一个具体应用例进一步解释本方法：

预先建立或维护差评师黑名单库，具体做法为：

获取某网购平台上10万个用户(即历史买家)某段时间内购买商品后的评论信息，对数据进行预处理后得到各个历史买家是否被卖家评过差评师，并且经过计算得出各个历史买家的评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率。下面以其中10 个为例，具体信息如表(1)所示：

针对第1号历史买家，将其评论平均分指数这一特征属性划分至数据集合A 中，其中A＝{0.69、0.19……0.00}；将其评价偏差度指数这一特征属性划分至数据集合B中，其中B＝{4.44、4.49……2.19}；将将其单日评价率这一特征属性划分至数据集合C中，其中C＝{0.44、0.50……0.90}；将历史买家的低评价商品指数这一特征属性划分至数据集合D中，其中D＝{0.22、0.15……0.00}；将历史买家的退货率这一特征属性分配至数据集合E中，其中E＝{0.3、0.01……0}

所选历史买家的评论信息中评论平均分指数的平均值根据表(1)提供的数据，可由下式计算：

系统在确定历史买家的评论平均分指数这一属性的正常范围时所设的预设值a＝0.15，根据本发明提供的计算公式来判断历史买家的评论平均分指数是否离群:

A_i≤0.25+0.15

由上述公式可知，表(1)中第1号历史买家的评论平均分指数不在正常范围内；同理可知，第3号买家和第9号买家的评论平均分指数均不在正常范围内，高到离群。

系统在确定评价偏差度指数这一属性的正常范围时所设的预设值b＝0.5，根据本发明提供的计算公式来判断历史买家的评价偏差度指数是否离群:

B_i≤3.188+0.5

由上述公式可知，表(1)中第1，2，3，6号历史买家的评价偏差度指数不在正常范围内，高到离群。

系统在确定单日评价率这一特征属性的正常范围时所设的预设值 c＝0.1，根据本发明提供的计算公式来判断历史买家的单日评价率是否离群：

C_i≤0.464+0.1

由上述公式可知，表(1)中第3号和10号历史买家的单日评价率不在正常范围内，高到离群。

系统在确定低评价商品指数这一特征属性的正常范围时所设的预设值d＝0.05，根据本发明提供的计算公式来判断历史买家的低评价商品指数是否离群：

D_i≤0.16+0.05

由上述公式可知，表(1)中第1号、6号和8号历史买家的低评价商品指数不在正常范围内，高到离群。

系统在确定退货率这一特征属性的正常范围时所设的预设值e＝0.05，根据本发明提供的计算公式来判断历史买家的退货率是否离群：

E_i≤0.11+0.05

由上述公式可知，表(1)中第1号、3号和9号历史买家的退货率不在正常范围内，高到离群。

本发明方法中，针对新号概率的阈值设为0.6，超过0.6即判定为新号，因此，判定为新号的有第8和10号历史买家。

针对有帮助指数，本发明实施例设定阈值为0.3，超过0.3的有第2号买家。

将上述分析得出的结果输入至图4所示的决策树中，对每个历史买家进行判断其是否为差评师。

经过判断得到第1号、3号、9号历史买家为差评师，将这三位历史买家添加至黑名单库中。

某网购平台上卖家收到一个买家甲下的订单，获取买家甲的下单设备，例如手机的设备码以及定位信息以及社交信息，例如通讯录等。与黑名单库中历史买家的相应的比对信息进行比对，先比对手机设备码是否相同，若相同，则为同一人；否则，比对两者的定位信息，若相似度超过预设值，则为同一人，否则，比对两者的好友，若重叠度超过预设值，则为同一人，否则，不是同一人。

当判断当前买家与黑名单库中的历史买家为同一个人时，拒绝当前交易订单，控制差评风险。

该应用例使用本方法借助历史买家的评论信息中的多维度属性特征，利用大数据离群预测模型和决策树模型对历史买家的评论信息进行综合分析，能快速而准确地鉴别出历史买家中的差评师，并且在此基础上，利用当前订单中买家的比对信息，选取的比对信息在一般情况下与买家个人相对关系密切，即使改用新号进行差评，比对信息也不会改动，因此可将当前买家与历史买家进行关联，若关联上，即判定为同一个人，则可判定当前买家为差评师。

实施例2

基于相同的发明构思，参看图5，本发明还提供了一种基于当前订单的差评预警系统，包括：

黑名单获取模块，用于获取电商平台的差评师黑名单库，差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；

订单信息获取模块，用于获取当前订单的订单信息；

预警模块，用于从当前订单的订单信息中提取待测买家的比对信息，根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；

历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；

比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和自身信息。

本实施例中的基于当前订单的差评预警系统能够根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成，若待测买家与差评师黑名单库中的其中一个差评师为同一人，则表明该当前买家为更换了账号的历史差评师，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。

相对于现有技术，本系统可以克服传统人工鉴别的效率低准确率低的问题。本系统也可以对更换新账号的差评师进行甄别，新账号没有历史数据导致现有的甄别技术无法对差评师进行甄别，本实施例中选取的比对信息在一般情况下与买家个人相对关系密切，即使改用新号进行差评，比对信息一般也不会改动，因此可将当前买家与历史买家进行关联，若关联上，即判定为同一个人，则可判定当前买家为差评师。另外，本系统在收到买家下单的订单信息后，即进行对当前买家身份的鉴定，将身份鉴别置于交易之前，避免了交易后差评师的恶意差评行为，减少困扰，提高用户体验。

参看图6，黑名单获取模块获取电商平台的差评师黑名单库进一步为建立电商平台的差评师黑名单库，黑名单获取模块包括：

历史买家信息获取模块，获取电商平台上的部分或全部历史买家的自身信息以及历史买家在电商平台上的评论信息；

评论特征属性计算模块，用于计算出历史买家的多维度评论特征属性；其中，多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

离群预测模型建立模块，用于建立大数据离群预测模型，将多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

决策树构建模块，用于构建决策树模型；

判断模块，用于将每个历史买家对应的离群评论特征属性以及正常评论特征属性输入决策树模型判断每个历史买家是否为差评师，若为差评师，则将历史买家的比对信息加入黑名单库。

实施例3

参看图7，本发明还提供了一种电商平台的差评师黑名单库的建立方法，包括：

获取电商平台上的部分或全部历史买家的自身信息以及历史买家在电商平台上的评论信息；

计算出历史买家的多维度评论特征属性；其中，多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；

建立大数据离群预测模型，将多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；

构建决策树模型；

将每个历史买家对应的离群评论特征属性以及正常评论特征属性输入决策树模型判断每个历史买家是否为差评师，若为差评师，则将历史买家的比对信息加入黑名单库。

本方法借助历史买家的评论信息中的多维度属性特征，利用大数据离群预测模型和决策树模型对历史买家的评论信息进行综合分析，分析的数据中综合了历史买家的多个维度，提高了历史差评师分析的准确性，降低误判率。多个模型交叉验证，进一步提高判定的准确性。

实施例4

本发明还提供了一种计算机设备，包括存储器和处理器以及存储在存储器上并可被处理器调用的计算机程序，处理器执行计算机程序时，实现本发明提供的基于当前订单的差评预警方法。

实施例5

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims

1.一种基于当前订单的差评预警方法，其特征在于，包括：

获取当前订单的订单信息；

2.如权利要求1所述的基于当前订单的差评预警方法，其特征在于，所述根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人进一步为：先比对所述自身信息，若至少有一个相同，则判定其为同一人；否则比对所述待测买家和所述差评师的设备标识码是否相同，若相同，则为同一人；否则，比对所述待测买家和所述差评师的定位信息，若定位相似度超过预设的定位相似度阈值，则为同一人，否则，比对所述待测买家和所述差评师的好友，若好友重叠度超过预设的好友重叠度阈值，则为同一人，否则，不是同一人。

3.如权利要求2所述的基于当前订单的差评预警方法，其特征在于，所述比对所述待测买家和所述差评师的定位信息具体为：

比对所述待测买家与所述差评师的省份是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值；若相同，则比对所述待测买家与所述差评师的城市是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值，若相同，则判定所述待测买家与所述差评师的具体街道地址的相似度，若所述具体街道地址的相似度超过预设的街道相似度阈值，则判定所述待测买家与所述差评师的定位相似度超过预设的定位相似度阈值。

4.如权利要求1-3任意一项所述的基于当前订单的差评预警方法，其特征在于，所述获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述差评师黑名单库的建立过程包括：

A4，基于步骤A3的结果构建决策树模型；

5.如权利要求4所述的基于当前订单的差评预警方法，其特征在于，所述步骤A4中构建决策树模型进一步为：

6.如权利要求5所述的基于当前订单的差评预警方法，其特征在于，所述步骤A2中的所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师；

7.一种基于当前订单的差评预警系统，其特征在于，包括：

订单信息获取模块，用于获取当前订单的订单信息；

8.如权利要求7所述的基于当前订单的差评预警系统，其特征在于，所述黑名单获取模块获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述黑名单获取模块包括：

决策树构建模块，用于构建决策树模型；

9.一种电商平台的差评师黑名单库的建立方法，其特征在于，包括：

构建决策树模型；

10.一种计算机设备，包括存储器和处理器以及存储在存储器上并可被处理器调用的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任意一项所述的基于当前订单的差评预警方法。

11.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1-6中任意一项所述的基于当前订单的差评预警方法。