CN109976934B - 设备使用异常判定方法、装置以及计算机存储介质 - Google Patents
设备使用异常判定方法、装置以及计算机存储介质 Download PDFInfo
- Publication number
- CN109976934B CN109976934B CN201910142855.0A CN201910142855A CN109976934B CN 109976934 B CN109976934 B CN 109976934B CN 201910142855 A CN201910142855 A CN 201910142855A CN 109976934 B CN109976934 B CN 109976934B
- Authority
- CN
- China
- Prior art keywords
- user
- mark data
- mathematical model
- equipment
- abnormal
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000013178 mathematical model Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
- G06F11/0772—Means for error signaling, e.g. using interrupts, exception flags, dedicated error registers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种设备使用异常判定方法、装置以及计算机存储介质，所述方法包括：获取用户标记数据；使用异常检测数学模型计算各个用户标记数据对应的异常检测评分；将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；将异常的用户标记数据对应的设备判定为使用异常设备。采用上述方案，可以实现在无人监控的情况下，依靠数据计算结果判定出现异常使用情况的设备以及用户，在减少了人工监控设备的经济成本的同时，降低了时间成本。
Description
技术领域
本发明涉及无人监控领域，尤其涉及一种设备使用异常判定方法、装置以及计算机存储介质。
背景技术
随着自助化服务的日益普及，线下消费场景当中有许多无人监测的自助服务类机器。该类设备在工作过程中通常处于无人监控的状态，因此用户在使用设备时是否遵守相关使用准则以及相关约定是管理者着重关注的问题。
现有技术中，通常通过人工对设备以及用户进行逐个排查。
然而，现有技术中的方案成本较高，且耗时较长。
发明内容
本发明解决的技术问题是设备监控成本较高，耗时较长。
为解决上述技术问题，本发明实施例提供一种设备使用异常判定方法，包括：获取用户标记数据；将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分；将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；将所述异常的用户标记数据对应的设备判定为使用异常设备。
可选的，将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分。
可选的，所述异常检测分类数学模型为knn算法构建的数学模型。
可选的，所述异常检测评分数学模型为iforest算法构建的数学模型。
可选的，将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据。
可选的，若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
可选的，所述用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史。
本发明还提供一种设备使用异常判定装置，包括：获取单元，用于获取用户标记数据；计算单元，用于将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分；比较单元，用于将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；判定单元，用于将所述异常的用户标记数据对应的设备判定为使用异常设备。
可选的，所述计算单元，还用于将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分。
可选的，所述异常检测分类数学模型为knn算法构建的数学模型。
可选的，所述异常检测评分数学模型为iforest算法构建的数学模型。
可选的，所述比较单元，还用于将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据。
可选的，所述判定单元，还用于若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
可选的，所述用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史。
本发明还提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，所述计算机指令运行时执行上述任一项的设备使用异常判定方法的步骤。
本发明还提供一种设备使用异常判定装置，包括存储器和处理器，所述存储器上存储有计算机指令，所述计算机指令运行时所述处理器执行上述任一项的设备使用异常判定方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
通过获取用户标记数据；使用异常检测数学模型计算各个用户标记数据对应的异常检测评分；将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；将异常的用户标记数据对应的设备判定为异常设备。采用上述方案，可以实现在无人监控的情况下，依靠数据计算结果判定出现异常使用情况的设备以及用户，在减少了人工监控设备的经济成本的同时，降低了时间成本。
附图说明
图1是本发明实施例提供的设备使用异常判定方法的流程示意图；
图2是本发明实施例提供的设备使用异常判定装置的结构示意图。
具体实施方式
现有技术中，通常通过人工对无人监控的自助类服务设备以及对应的用户进行逐个排查。现有技术中的方案成本较高，且耗时较长。
本发明实施例中，通过获取用户标记数据；使用异常检测数学模型计算各个用户标记数据对应的异常检测评分；将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；将异常的用户标记数据对应的设备判定为异常设备。采用上述方案，可以实现在无人监控的情况下，依靠数据计算结果判定出现异常使用情况的设备以及用户，在减少了人工监控设备的经济成本的同时，降低了时间成本。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参阅图1，其为本发明实施例提供的设备使用异常判定方法的流程示意图，以下通过具体步骤进行详细说明。
步骤S101，获取用户标记数据。
在具体实施中，用户标记数据可以为用户授权设备获取的相关信息，以及用户在设备使用过程中产生的相关信息。
本发明实施例中，用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史。
在具体实施中，设备可以设置于商铺中。用户可以在设备上进行操作，选定期望购买的商品种类。设备可以根据用户选定期望购买的商品种类，向用户提供借贷的金额区间。用户可以根据设备提供的借贷的金额区间，选择所需金额。设备可以根据用户选择的所需数额，向用户提供借款。用户根据设备提供的借款购买相应的商品。
在具体实施中，商品购买金额即为设备向用户提供的借款的具体数额。
例如，用户于设备上选择“手机”这一商品种类，设备根据商品种类为用户提供1000元人民币至10000元人民币可供借贷的金额区间。用户在设备上选择所需金额为5000元，设备向用户提供借款5000元，用户使用设备提供的5000元购买手机，也即商品购买金额为5000元。
步骤S102，将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分。
在具体实施中，可以将用户在使用设备时违反相关使用准则以及相关约定的情况视为设备使用异常。
例如，用户在获取设备提供的借款后，并未购买先前选择的商品种类内的商品；或者，用户仅使用一部分借款购买相关商品。
在具体实施中，可以向相关商家获取相关数据，确定相关用户的商品购买信息。
在具体实施中，异常检测数学模型通过异常检测数学算法构建，用于计算用户在使用设备过程中出现使用异常情况的概率，计算得到的结果为异常检测评分，所述异常检测评分用以表征上述概率。
在具体实施中，为了避免人工排查设备使用异常而导致的高耗时以及高成本，可以将用户标记数据输入异常检测数学模型，利用异常检测数学模型获取用户的异常检测评分，根据异常检测评分判断是否出现设备使用异常，实现在无人监控的情况下，依靠数据计算结果判定出现异常使用情况的设备以及用户，在减少了人工监控设备的经济成本的同时，降低了时间成本。
本发明实施例中，异常检测数学模型可以包括异常检测分类数学模型和异常检测评分数学模型。将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分。
在具体实施中，异常检测分类数学模型可以用于将相似度较高或距离较近的数据分类入同组。
本发明实施例中，构建所述异常检测分类数学模型的算法可以为knn(k-NearestNeighbor)算法或类似算法。
在具体实施中，异常检测评分数学模型可以用于评价某组数据相对于其他数据的异常程度。
本发明实施例中，构建所述异常检测评分数学模型的算法可以为iforest算法或类似算法。
在具体实施中，当输入多个种类的用户标记数据时，可以对各个种类的用户标记数据进行加权计算，权重可以由管理者根据实际应用场景进行相应的设定。
在具体实施中，设备使用时长可以表现用户是否正常使用设备，商品种类及对应的商品购买金额可以表现用户购物行为是否符合相关约定以及相关准则，商品购买历史可以表现用户购买商品的历史经历，可以据此判断用户的购买记录是否符合预期。
步骤S103，将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据。
在具体实施中，用户标准阈值用以表现当异常检测评分达到何种程度可以判定出现使用异常情况。
在具体实施中，用户标准阈值可以由管理者根据具体应用场景进行相应的设定。
本发明实施例中，将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据，也即表明相应的用户标记数据指向的用户出现了异常使用设备的情况。
步骤S104，将所述异常的用户标记数据对应的设备判定为使用异常设备。
在具体实施中，当使用某设备的用户对应的用户标记数据被确定为异常时，该设备可以被判定为使用异常设备。采用上述判定方案，在减少了人工监控设备的经济成本的同时，降低了时间成本。
本发明实施例中，若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
在具体实施中，为了提升针对某一设备个体的设备使用异常判定的准确度，对于某选定设备对应的异常的用户标记数据的数量达到一定程度时，判定选定设备为使用异常设备。
在具体实施中，选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量时，判定所述选定设备为使用异常设备。采用上述判定方案，细化了针对某一设备个体的使用异常判定标准，可以提升判定结果的准确度。
本发明实施例中，设备使用异常判定方法的相关算法可以部署于设备终端，由设备进行执行，也可以部署于设备的后台管理系统，由后台管理系统进行执行。
由上可见，通过获取用户标记数据；使用异常检测数学模型计算各个用户标记数据对应的异常检测评分；将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；将异常的用户标记数据对应的设备判定为使用异常设备。采用上述方案，可以实现在无人监控的情况下，依靠数据计算结果判定出现异常使用情况的设备以及用户，在减少了人工监控设备的经济成本的同时，降低了时间成本。
参阅图2，其为本发明实施例提供的设备使用异常判定装置20的结构示意图，其中具体包括：获取单元201，用于获取用户标记数据；计算单元202，用于将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分；比较单元203，用于将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；判定单元204，用于将所述异常的用户标记数据对应的设备判定为使用异常设备。
本发明实施例中，所述计算单元202，还可以用于将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分。
本发明实施例中，所述异常检测分类数学模型可以为knn算法构建的数学模型。
本发明实施例中，所述异常检测评分数学模型可以为iforest算法构建的数学模型。
本发明实施例中，所述比较单元203，还可以用于将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据。
本发明实施例中，所述判定单元204，还可以用于若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
本发明实施例中，所述用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史。
本发明还提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，所述计算机指令运行时执行本发明实施例提供的设备使用异常判定方法的步骤。
本发明还提供一种设备使用异常判定装置，包括存储器和处理器，所述存储器上存储有计算机指令，所述计算机指令运行时所述处理器执行本发明实施例提供的设备使用异常判定方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种设备使用异常判定方法，其特征在于，包括：
获取用户标记数据；所述用户标记数据为用户授权设备获取的相关信息，以及用户在设备使用过程中产生的相关信息，所述用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史；其中，所述设备使用时长表征所述用户是否正常使用设备；所述商品种类与所述商品购买金额表征所述用户的购物行为是否符合相关约定以及相关准则；所述商品购买历史表征所述用户的购买商品的历史经历，以判断所述用户的购买记录是否符合预期；
将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分，包括：将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分；当输入多个类别的用户标记数据时，对所述多个类别的用户标记数据进行加权计算；
将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；
将所述异常的用户标记数据对应的设备判定为使用异常设备。
2.根据权利要求1所述的设备使用异常判定方法，其特征在于，所述异常检测分类数学模型为knn算法构建的数学模型。
3.根据权利要求1所述的设备使用异常判定方法，其特征在于，所述异常检测评分数学模型为iforest算法构建的数学模型。
4.根据权利要求1所述的设备使用异常判定方法，其特征在于，所述将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据，包括：
将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据。
5.根据权利要求1所述的设备使用异常判定方法，其特征在于，所述将所述异常的用户标记数据对应的设备判定为使用异常设备，包括：
若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
6.一种设备使用异常判定装置，其特征在于，包括：
获取单元，用于获取用户标记数据；所述用户标记数据为用户授权设备获取的相关信息，以及用户在设备使用过程中产生的相关信息，所述用户标记数据包括以下至少一种：设备使用时长、商品种类、商品购买金额、商品购买历史；其中，所述设备使用时长表征所述用户是否正常使用设备；所述商品种类与所述商品购买金额表征所述用户的购物行为是否符合相关约定以及相关准则；所述商品购买历史表征所述用户的购买商品的历史经历，以判断所述用户的购买记录是否符合预期；
计算单元，用于将所述用户标记数据输入异常检测数学模型，获取各个用户标记数据对应的异常检测评分，包括：将所述用户标记数据输入异常检测分类数学模型，所述异常检测分类数学模型将用户标记数据进行类别划分；将各个类别内的用户标记数据分别输入异常检测评分数学模型，所述异常检测评分数学模型计算各个类别的用户标记数据的异常检测评分；当输入多个类别的用户标记数据时，对所述多个类别的用户标记数据进行加权计算；
比较单元，用于将异常检测评分与用户标准阈值进行比较，确定异常的用户标记数据；
判定单元，用于将所述异常的用户标记数据对应的设备判定为使用异常设备。
7.根据权利要求6所述的设备使用异常判定装置，其特征在于，所述异常检测分类数学模型为knn算法构建的数学模型。
8.根据权利要求6所述的设备使用异常判定装置，其特征在于，所述异常检测评分数学模型为iforest算法构建的数学模型。
9.根据权利要求6所述的设备使用异常判定装置，其特征在于，所述比较单元，还用于将异常检测评分高于所述用户标准阈值的用户标记数据确定为异常的用户标记数据。
10.根据权利要求6所述的设备使用异常判定装置，其特征在于，所述判定单元，还用于若选定设备对应的异常的用户标记数据的数量高于其他设备对应的异常的用户标记数据的平均数量，判定所述选定设备为使用异常设备。
11.一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其特征在于，所述计算机指令被处理器运行时执行权利要求1～5任一项所述的设备使用异常判定方法的步骤。
12.一种设备使用异常判定装置，包括存储器和处理器，所述存储器上存储有计算机指令，其特征在于，所述计算机指令运行时所述处理器执行权利要求1～5任一项所述的设备使用异常判定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910142855.0A CN109976934B (zh) | 2019-02-26 | 2019-02-26 | 设备使用异常判定方法、装置以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910142855.0A CN109976934B (zh) | 2019-02-26 | 2019-02-26 | 设备使用异常判定方法、装置以及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109976934A CN109976934A (zh) | 2019-07-05 |
| CN109976934B true CN109976934B (zh) | 2024-03-08 |
Family
ID=67077442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910142855.0A Active CN109976934B (zh) | 2019-02-26 | 2019-02-26 | 设备使用异常判定方法、装置以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109976934B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116701914B (zh) * | 2023-06-21 | 2024-07-05 | 广东星云开物科技股份有限公司 | 一种硬件设备异常使用识别方法、装置、存储装置及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005056358A (ja) * | 2003-08-07 | 2005-03-03 | Japan Tobacco Inc | 自動販売機および異常対応システム |
| JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
| CN101551894A (zh) * | 2009-05-21 | 2009-10-07 | 候万春 | 监控信用卡套现的系统及方法 |
| CN104636912A (zh) * | 2015-02-13 | 2015-05-20 | 银联智惠信息服务（上海）有限公司 | 信用卡套现识别方法和装置 |
| CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及系统 |
| CN106447333A (zh) * | 2016-11-29 | 2017-02-22 | 中国银联股份有限公司 | 一种欺诈交易侦测方法及服务器 |
| CN107093101A (zh) * | 2017-03-29 | 2017-08-25 | 广州汇融易互联网金融信息服务有限公司 | 基于pos流水数据的潜在贷款用户挖掘与风险评分方法 |
| CN108230137A (zh) * | 2016-12-14 | 2018-06-29 | 大唐半导体设计有限公司 | 一种实现征信数据处理的方法及装置 |
| US10013655B1 (en) * | 2014-03-11 | 2018-07-03 | Applied Underwriters, Inc. | Artificial intelligence expert system for anomaly detection |
| 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 |
| CN108717602A (zh) * | 2018-05-15 | 2018-10-30 | 阿里巴巴集团控股有限公司 | 一种交易行为异常的识别方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10534925B2 (en) * | 2016-10-05 | 2020-01-14 | Microsoft Technology Licensing, Llc | Detection of compromised devices via user states |
-
2019
- 2019-02-26 CN CN201910142855.0A patent/CN109976934B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005056358A (ja) * | 2003-08-07 | 2005-03-03 | Japan Tobacco Inc | 自動販売機および異常対応システム |
| JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
| CN101551894A (zh) * | 2009-05-21 | 2009-10-07 | 候万春 | 监控信用卡套现的系统及方法 |
| US10013655B1 (en) * | 2014-03-11 | 2018-07-03 | Applied Underwriters, Inc. | Artificial intelligence expert system for anomaly detection |
| CN104636912A (zh) * | 2015-02-13 | 2015-05-20 | 银联智惠信息服务（上海）有限公司 | 信用卡套现识别方法和装置 |
| CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及系统 |
| CN106447333A (zh) * | 2016-11-29 | 2017-02-22 | 中国银联股份有限公司 | 一种欺诈交易侦测方法及服务器 |
| CN108230137A (zh) * | 2016-12-14 | 2018-06-29 | 大唐半导体设计有限公司 | 一种实现征信数据处理的方法及装置 |
| CN107093101A (zh) * | 2017-03-29 | 2017-08-25 | 广州汇融易互联网金融信息服务有限公司 | 基于pos流水数据的潜在贷款用户挖掘与风险评分方法 |
| 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 |
| CN108717602A (zh) * | 2018-05-15 | 2018-10-30 | 阿里巴巴集团控股有限公司 | 一种交易行为异常的识别方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| Biased Learning Creates Overconfidence;NI Xuanming;WU Chen;ZHAO Huimin;;Journal of Systems Science & Complexity(第06期);全文 * |
| 一种无监督的数据库用户行为异常检测方法;李海斌;李琦;汤汝鸣;吴;吕志远;裴丹;史俊杰;董旭;房双德;杨一飞;吴烨;;小型微型计算机系统(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109976934A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108055281B (zh) | 账户异常检测方法、装置、服务器及存储介质 | |
| KR101879416B1 (ko) | 이상 금융거래 탐지 방법 및 그 전자 장치 | |
| US20220058705A1 (en) | Methods and apparatus for anomaly detections | |
| CN112529575B (zh) | 风险预警方法、设备、存储介质及装置 | |
| CN113469789A (zh) | 异常订单的检测方法、装置及计算机设备 | |
| CN105761000A (zh) | 交易数据处理及风险预警系统和方法 | |
| CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
| CN112132618A (zh) | 一种商品价格确定方法、装置、设备及可读存储介质 | |
| CN111784053A (zh) | 交易风险检测方法、设备及可读存储介质 | |
| CN109976934B (zh) | 设备使用异常判定方法、装置以及计算机存储介质 | |
| US11467943B2 (en) | System and method for struggle identification | |
| US9633003B2 (en) | System support for evaluation consistency | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| CN107944589A (zh) | 广告点击率的预测方法和预测装置 | |
| CN108446907B (zh) | 安全校验方法及装置 | |
| CN111223235A (zh) | 无人柜机的商品投放方法、无人柜机及其控制装置 | |
| US11935054B2 (en) | Systems and methods for automatically generating fraud strategies | |
| CN116010707A (zh) | 商品价格异常识别方法、装置、设备和存储介质 | |
| CN111538905B (zh) | 一种对象的推荐方法及装置 | |
| CN114707420A (zh) | 一种信贷欺诈行为识别方法、装置、设备及存储介质 | |
| CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
| CN113946703A (zh) | 一种图片漏检处理方法及其相关装置 | |
| CN113051136A (zh) | 无人值守设备的监控分析方法及装置 | |
| CN113052604A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191225 Address after: 200062 floor 6, building 21, No. 958, Zhenbei Road, Putuo District, Shanghai Applicant after: Shanghai qiaopan Technology Co.,Ltd. Address before: No. 10 and No. 20, Lane 999, Dangui Road, China (Shanghai) Free Trade Pilot Area, Pudong New Area, Shanghai, 200120 Applicant before: SHANGHAI PPDAI FINANCE INFORMATION SERVICE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231228 Address after: 200120, Room 807, No. 20, Lane 999, Dangui Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai paifenle Network Technology Co.,Ltd. Address before: 6th Floor, Building 21, No. 958, Zhenbei Road, Putuo District, Shanghai, 200062 Applicant before: Shanghai qiaopan Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |