CN110910204A - 一种基于人工智能的用户监测系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的用户监测系统，通过爬虫技术以接口采集用户在电商平台的行为数据，传送至平台服务器，依据历史行为数据训练异常特征模型，再将实时用户行为数据带入异常特征模型，监测当前用户行为是否存在异常，并及时予以处理，具有效率高、智能性好、准确率高的优点。

Description

一种基于人工智能的用户监测系统

技术领域

本发明涉及智能监测的技术领域，尤其是指一种基于人工智能的用户监测系统。

背景技术

如今网上交易平台因其方便、快捷而成为了一种主流的销售渠道，而在电商平台系统交易的过程中，由于受到各种因素的影响，用户操作异常导致系统订单混乱的情况时有发生，电商平台系统不能实时监控用户行为，不能有效抓住用户异常操作信息并及时处理，不仅效率低下，而且无法保证系统正常运作，存在大量异常信息的用户账户不及时处理也会占用数据库内存大量空间。

发明内容

针对上述背景技术中的问题，提供了一种基于人工智能的用户监测系统，可以通过智能监测平台实时监测用户行为数据是否存在异常，辅助电商平台及时把握异常用户信息并予以处理，提高平台系统交易效率。

本发明所述的一种基于人工智能的用户监测系统，包括：

智能监测平台、数据库和平台服务器；

所述智能监测平台以接口连接电商平台；

所述智能监测平台通过所述接口以爬虫技术采集所述电商平台中的用户行为数据并存入所述数据库；

所述平台服务器获取所述数据库中的用户行为数据，将用户行为数据中的历史异常特征数据和历史正常特征数据分类汇总，并计算所述历史异常特征数据和历史正常特征数据的比例；利用所述历史异常特征数据和历史正常特征数据构造样本数据集合，所述样本数据集合包括样本特征变量，所述样本特征变量的数量为N；按照所述历史异常特征数据和历史正常特征数据的比例，从所述样本数据集合中随机有放回的抽取n份样本；为所述n份样本中的每一份样本随机选择m个样本特征变量，生成与该份样本对应的决策树模型，其中m<N；对每个决策树模型的m个样本特征变量中随机选择一个样本特征变量作为节点进行分裂，当基尼系数最小时停止分裂，训练异常特征识别模型；

所述平台服务器通过所述异常特征识别模型检测当前用户行为是否异常，将异常的当前用户行为实时反馈至智能监测平台并依据异常行为处理机制处理异常的用户账户。

本发明通过爬虫技术以接口采集用户在电商平台的行为数据，传送至平台服务器，依据历史行为数据训练异常特征模型，再将实时用户行为数据带入异常特征模型，监测当前用户行为是否存在异常，并及时予以处理，具有效率高、智能性好、准确率高的优点。

具体地，所述平台服务器将当前用户行为数据代入所述异常特征识别模型，获得随机森林算法中决策树模型的结果为正常的个数和结果为异常的个数，以个数多的结果为准。

进一步地，所述平台服务器依据所述决策树模型的结果判定当前用户行为是否异常，并识别当前用户行为数据的合法性。

进一步地，所述用户行为数据包括：用户账户信息、用户买卖信息、用户信誉信息、商品营销信息、用户评价信息。

具体地，所述平台服务器依据所述用户账户信息和所述用户买卖信息判断当前用户与交易方用户是否为亲属关系；如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户信誉信息和所述用户买卖信息判断当前用户是否在负债情况下继续交易，如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户买卖信息和所述商品营销信息判断当前用户是否进行虚假交易，如用户买卖信息条数多于商品营销信息条数，则判定不合法，如否，则判定合法。

进一步地，所述异常行为处理机制包括：所述平台服务器对判定不合法和当前用户行为存在异常的用户账户采取冻结处理，并推送冻结通知至用户终端。

进一步地，所述异常特征包括：用户设备异常特征、网络环境异常特征、用户资金异常特征、交易地点异常特征、交易行为异常特征和商品评价异常特征。

为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。

附图说明

图1为本发明实施例的基于人工智能的用户监测系统示意图。

图2为本发明实施例的基于人工智能的用户监测系统的异常特征模型决策树1示意图。

图3为本发明实施例的基于人工智能的用户监测系统的异常特征模型决策树2示意图。

图4为本发明实施例的基于人工智能的用户监测系统的异常特征模型决策树3示意图。

图5为本发明实施例的基于人工智能的用户监测系统的异常特征模型决策树X示意图。

具体实施方式

请参阅图1，其为本发明实施例的基于人工智能的用户监测系统示意图。

本发明所述的一种基于人工智能的用户监测系统，包括：

智能监测平台、数据库和平台服务器；

所述智能监测平台以接口连接电商平台；

所述智能监测平台通过所述接口以爬虫技术采集所述电商平台中的用户行为数据并存入所述数据库；

所述接口是两个硬件设备之间的连接方式。硬件接口既包括物理上的接口，还包括逻辑上的数据传送协议。在本实施例中，智能监测平台接入互联网，与电商平台实现数据交互，传输用户在电商平台的各种操作信息及各项参数至智能监测平台，并存储在数据库中。

所述爬虫技术是从网站某一个页面开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。如果把整个互联网当成一个网站，那么网络爬虫就可以用这个原理把互联网上所有的网页都抓取下来。在本实施例中，以爬虫技术持续不断的实时爬取电商平台中的用户行为数据。

所述平台服务器是提供计算服务的设备。服务器需要响应服务请求，并进行处理，所述服务器应具备承担服务并且保障服务的能力，是为客户端提供各种服务的高性能计算机，在网络操作系统的控制下，为网络用户提供集中计算、信息发表及数据管理等服务。在本实施例中，平台服务器读取智能监测平台传输至数据库的用户行为数据，并以预设的算法处理数据。

所述数据库是以一定方式储存在一起、能为多个用户共享、具有尽可能小的冗余度的特点、是与应用程序彼此独立的数据集合，作为第三方数据库，以单独的服务器记录用户传输的数据，能实现接口通信、数据交互、数据存储、推送链接等功能。在本实施例中，数据库可以储存平台服务器处理的各项数据，存档用户私人信息，便于独立账户交易记录的读取和处理。

本发明通过爬虫技术以接口采集用户在电商平台的行为数据，传送至平台服务器，依据历史行为数据训练异常特征模型，再将实时用户行为数据带入异常特征模型，监测当前用户行为是否存在异常，并及时予以处理，具有效率高、智能性好、准确率高的优点。

所述平台服务器获取所述数据库中的用户行为数据，将用户行为数据中的历史异常特征数据和历史正常特征数据分类汇总，并计算所述历史异常特征数据和历史正常特征数据的比例；利用所述历史异常特征数据和历史正常特征数据构造样本数据集合，所述样本数据集合包括样本特征变量，所述样本特征变量的数量为N；按照所述历史异常特征数据和历史正常特征数据的比例，从所述样本数据集合中随机有放回的抽取n份样本；为所述n份样本中的每一份样本随机选择m个样本特征变量，生成与该份样本对应的决策树模型，其中m<N；对每个决策树模型的m个样本特征变量中随机选择一个样本特征变量作为节点进行分裂，当基尼系数最小时停止分裂，训练异常特征识别模型；

所述异常特征包括：用户设备异常特征、网络环境异常特征、用户资金异常特征、交易地点异常特征、交易行为异常特征和商品评价异常特征。

请参阅图2-图5，其为本发明实施例的基于人工智能的用户监测系统的异常特征模型决策树1、决策树2、决策树3、决策树X示意图。

在本实施例中，基于随机森林算法训练异常特征识别模型。所述随机森林算法是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复；在本实施例中对于多个样本特征变量进行有放回的抽取。

然后，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果；如图2，用户设备是否异常、网络环境是否异常、用户资金是否异常、交易地点是否异常、交易行为是否异常和商品评价是否异常可以作为本申请中决策树的判断节点，依据随机森林算法选取一组用户行为数据，放入决策树1、决策树2、决策树3……决策树X中，以这些样本特征变量开始分裂直至输出该组用户行为数据为正常或异常的结果，并取众数作为该组用户行为数据是否存在异常的结果。

本实施例中抽取样本特征变量作为判断节点对用户行为数据进行多个决策树分裂获得结果的过程即为训练异常特征识别模型的过程。

最后，监测当前用户行为数据是否异常是通过所述平台服务器将当前用户行为数据代入所述异常特征识别模型，获得随机森林算法中决策树模型的结果为正常的个数和结果为异常的个数，以个数多的结果为准。所述平台服务器通过所述异常特征识别模型检测当前用户行为是否异常，将异常的当前用户行为实时反馈至智能监测平台并依据异常行为处理机制处理异常的用户账户。

进一步地，所述平台服务器依据所述决策树模型的结果判定当前用户行为是否异常，并识别当前用户行为数据的合法性。

进一步地，所述用户行为数据包括：用户账户信息、用户买卖信息、用户信誉信息、商品营销信息、用户评价信息。

具体地，所述平台服务器依据所述用户账户信息和所述用户买卖信息判断当前用户与交易方用户是否为亲属关系；如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户信誉信息和所述用户买卖信息判断当前用户是否在负债情况下继续交易，如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户买卖信息和所述商品营销信息判断当前用户是否进行虚假交易，如用户买卖信息条数多于商品营销信息条数，则判定不合法，如否，则判定合法。

进一步地，所述异常行为处理机制包括：所述平台服务器对判定不合法和当前用户行为存在异常的用户账户采取冻结处理，并推送冻结通知至用户终端。

所述推送是通过一定的技术标准或协议，在互联网上通过定期传送用户需要的信息来减少信息过载的一项新技术。推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间。它根据用户的兴趣来搜索、过滤信息，并将其定期推给用户，帮助用户高效率地发掘有价值的信息。在本实施例中，推送信息由平台服务器实现，通过设置定时推送来完成一定周期内用户账户内的异常清理；平台服务器根据用户在电商平台上的用户行为数据以预设的随机森林算法判定其是否存在异常、是否具备合法性，并在预设的时间周期性的将监测结果实时推送至用户登录的账户对应的智能终端。

本发明通过平台服务器对当前用户行为数据进行分析，将存在异常的用户行为实时反馈至智能监测平台，帮助电商平台系统实时监控用户行为，有效抓取用户异常操作信息并及时处理，及时推送异常信息和处理通知至用户终端，提高平台系统交易效率。以智能监测平台、平台服务器和数据库之间的数据交互，实现智能化信息传输和用户数据存储，为平台和用户带来便利。效率高、智能性好、准确率高。

相对于现有技术，本发明可以通过平台服务器实时抓取用户行为数据中的异常并及时处理，将处理结果和异常信息推送至用户智能终端，辅助用户及时把握交易信息，也避免了因大量异常操作导致的电商平台订单信息混乱。

本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也一同包含这些改动和变形。

Claims (7)

1.一种基于人工智能的用户监测系统，包括：

智能监测平台、数据库和平台服务器；

所述智能监测平台以接口连接电商平台；

所述智能监测平台通过所述接口以爬虫技术采集所述电商平台中的用户行为数据并存入所述数据库；

所述平台服务器获取所述数据库中的用户行为数据，将用户行为数据中的历史异常特征数据和历史正常特征数据分类汇总，并计算所述历史异常特征数据和历史正常特征数据的比例；利用所述历史异常特征数据和历史正常特征数据构造样本数据集合，所述样本数据集合包括样本特征变量，所述样本特征变量的数量为N；按照所述历史异常特征数据和历史正常特征数据的比例，从所述样本数据集合中随机有放回的抽取n份样本；为所述n份样本中的每一份样本随机选择m个样本特征变量，生成与该份样本对应的决策树模型，其中m<N；对每个决策树模型的m个样本特征变量中随机选择一个样本特征变量作为节点进行分裂，当基尼系数最小时停止分裂，训练异常特征识别模型；

所述平台服务器通过所述异常特征识别模型检测当前用户行为是否异常，将异常的当前用户行为实时反馈至智能监测平台并依据异常行为处理机制处理异常的用户账户。

2.根据权利要求1所述的基于人工智能的用户监测系统，其特征在于，所述平台服务器将当前用户行为数据代入所述异常特征识别模型，获得随机森林算法中决策树模型的结果为正常的个数和结果为异常的个数，以个数多的结果为准。

3.根据权利要求2所述的基于人工智能的用户监测系统，其特征在于，所述平台服务器依据所述决策树模型的结果判定当前用户行为是否异常，并识别当前用户行为数据的合法性。

4.根据权利要求1所述的基于人工智能的用户监测系统，其特征在于，所述用户行为数据包括：用户账户信息、用户买卖信息、用户信誉信息、商品营销信息、用户评价信息。

5.根据权利要求4所述的基于人工智能的用户监测系统，其特征在于，所述平台服务器依据所述用户账户信息和所述用户买卖信息判断当前用户与交易方用户是否为亲属关系；如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户信誉信息和所述用户买卖信息判断当前用户是否在负债情况下继续交易，如是，则判定不合法，如否，则进行下一步；

所述平台服务器依据所述用户买卖信息和所述商品营销信息判断当前用户是否进行虚假交易，如用户买卖信息条数多于商品营销信息条数，则判定不合法，如否，则判定合法。

6.根据权利要求5所述的基于人工智能的用户监测系统，其特征在于，所述异常行为处理机制包括：所述平台服务器对判定不合法和当前用户行为存在异常的用户账户采取冻结处理，并推送冻结通知至用户终端。

7.根据权利要求1所述的基于人工智能的用户监测系统，其特征在于，所述异常特征包括：用户设备异常特征、网络环境异常特征、用户资金异常特征、交易地点异常特征、交易行为异常特征和商品评价异常特征。

Images