CN111768258A - 识别异常订单的方法、装置、电子设备和介质 - Google Patents
识别异常订单的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN111768258A CN111768258A CN201910489732.4A CN201910489732A CN111768258A CN 111768258 A CN111768258 A CN 111768258A CN 201910489732 A CN201910489732 A CN 201910489732A CN 111768258 A CN111768258 A CN 111768258A
- Authority
- CN
- China
- Prior art keywords
- order
- identified
- orders
- behavior data
- doubt
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种识别异常订单的方法,包括获得待识别订单的行为数据和状态数据,基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。本公开还提供了一种识别异常订单的装置、一种电子设备以及一种计算机可读存储介质。
Description
技术领域
本公开涉及一种识别异常订单的方法、装置、电子设备和介质。
背景技术
近年来,电子商务突飞猛进,各大平台百花齐放,竞争激烈。而平台中的商家也是绞尽脑汁想尽各种办法提高成交量。鉴于商家的逐利性,通过虚假订单提高交易信用和伪造交易数据的技术应运而生。目前监测刷单的技术主要是通过识别cookie,建立session,生成动态随机加密码和记录IP、MAC地址、通讯方式等识别各种PC端和手机端的作弊行为。
随着服务器价格的下降和性能的提升,VPS(Virtual Private Server)技术的发展,IP代理技术的成熟,刷单公司往往采用了人工刷单的方式,人工切换VPS,选择VPS绑定的IP和用户信息。由于VPS提供了虚拟但是无法区别的IP,MAC地址,操作系统,浏览器信息,使得目前监测刷单的技术几乎失效。
发明内容
本公开的一个方面提供了一种识别异常订单的方法,包括获得待识别订单的行为数据和状态数据,基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
可选地,所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个。
可选地,所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。
可选地,所述确定所述多个待识别订单中是否存在异常订单包括将所述行为数据和状态数据拼接为所述待识别订单的特征向量,通过聚类算法处理所述特征向量,获得多个第一类簇,以及确定所述第一类簇对应的待识别订单是否为异常订单。
可选地,所述确定所述多个待识别订单中是否存在异常订单包括基于所述行为数据筛选所述待识别订单,得到存疑订单,将所述存疑订单的状态数据拼接为所述存疑订单的特征向量,通过聚类算法处理所述特征向量,获得多个第二类簇,以及确定所述第二类簇对应的待识别订单是否为异常订单。
可选地,所述基于所述行为数据筛选所述待识别订单,得到存疑订单包括通过聚类算法处理所述行为数据,获得多个第三类簇,以及基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
本公开的另一个方面提供了一种识别异常订单的装置,包括获得模块和确定模块。获得模块,用于获得待识别订单的行为数据和状态数据。确定模块,用于基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
可选地,所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个。
可选地,所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。
可选地,所述确定模块包括第一拼接子模块、第一聚类子模块以及第一确定子模块。第一拼接子模块,用于将所述行为数据和状态数据拼接为所述待识别订单的特征向量。第一聚类子模块,用于通过聚类算法处理所述特征向量,获得多个第一类簇。第一确定子模块,用于确定所述第一类簇对应的待识别订单是否为异常订单。
可选地,所述确定模块包括筛选子模块、第二拼接子模块、第二聚类子模块以及第二确定子模块。筛选子模块,用于基于所述行为数据筛选所述待识别订单,得到存疑订单。第二拼接子模块,用于将所述存疑订单的状态数据拼接为所述存疑订单的特征向量。第二聚类子模块,用于通过聚类算法处理所述特征向量,获得多个第二类簇。第二确定子模块,用于确定所述第二类簇对应的待识别订单是否为异常订单。
可选地,所述筛选子模块包括聚类单元和确定单元。聚类单元,用于通过聚类算法处理所述行为数据,获得多个第三类簇。确定单元,用于基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
本公开的另一个方面提供了一种电子设备,包括处理器以及存储器。所述存储器上存储有计算机程序,所述计算机程序被处理器执行时使得处理器执行如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开实施例的方法通过待识别订单的行为数据和状态数据判断多个待识别订单中的异常订单,能够识别基于VPS刷单技术产生的异常订单,提高判断的准确性。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的识别异常订单的方法的应用场景的示意图;
图2示意性示出了根据本公开实施例的识别异常订单的方法的流程图;
图3A~图3C示意性示出了根据本公开实施例的确定所述多个待识别订单中是否存在异常订单的流程图;
图4示意性示出了根据本公开实施例的识别异常订单的装置的框图;
图5~图7示意性示出了根据本公开实施例的确定模块的框图;以及
图8示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种识别异常订单的方法,包括获得待识别订单的行为数据和状态数据,基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
图1示意性示出了根据本公开实施例的识别异常订单的方法的应用场景的示意图。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的识别异常订单的方法一般可以由服务器105执行。相应地,本公开实施例所提供的识别异常订单的装置一般可以设置于服务器105中。本公开实施例所提供的识别异常订单的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的识别异常订单的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的识别异常订单的方法的流程图。
如图2所示,该方法包括操作S210和S220。
在操作S210,获得待识别订单的行为数据和状态数据。
根据本公开实施例,所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个。例如,以某电商平台为例,下单前在其他页面的访问次数例如可以定义为从用户打开浏览器访问该电商平台的第一个页面起,直至下单前为止,所经过的多个页面的数量。正常购物通常会经过一番查找才能找到心仪的产品,例如搜索页面、产品列表页面和多个其他商品的商品详情页面,需要访问的页面往往就会有三个及其以上,而刷单行为往往直接点击需要的网址购买。对于一个正常购物行为来说,一般会仔细阅读产品介绍,参看评论和打分,故页面停留时间较长。而刷单者通常直接下单,提高效率。因此,可以根据这类行为特征对异常订单进行判断。
根据本公开实施例,所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。正常用户使用的浏览器和操作系统应该是五花八门,版本号更是多如牛毛,但是VPS刷单则与正常用户不一样,VPS装机时所采用的系统通常是复制的系统,其浏览器及其版本不会有任何改变。此外,对于刷单人员来说,集中处理任务是便捷的,且有利于刷单公司减少时间成本,所以订单时间间隔会相对较小,下单时间较为集中,且比较规律。因此,可以根据这类下单时的状态特征对异常订单进行判断。
在操作S220,基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
根据本公开实施例,可以逐个判断每一类数据,如果均有异常特征,则判定为异常订单,例如,可以判断购买前在其他页面访问数是否远大于某一阈值(例如3个),如果不满足,继续判断商品详情页面停留时间是否远大于某一阈值(例如5秒),如果不满足,继续判断浏览器及版本是否大面积雷同,操作系统及版本是否大面积雷同,下单时间是否大面积集中,如果同时满足以上特征,判定该些订单为异常订单。
下面结合图3A~图3C,对操作S230的另一些实施例进行说明。
图3A示意性示出了根据本公开实施例的确定所述多个待识别订单中是否存在异常订单的流程图。
如图3A所示,该方法包括操作S310~S330。
在操作S310,将所述行为数据和状态数据拼接为所述待识别订单的特征向量。
在操作S320,通过聚类算法处理所述特征向量,获得多个第一类簇。
在操作S330,确定所述第一类簇对应的待识别订单是否为异常订单。
根据本公开实施例,该聚类算法例如可以是K-Means聚类算法。给定包含n个数据对象的数据集D,输入需要划分的类簇的个数K,输出满足相同类簇中相似度较高,不同类簇中相似度较小的K个聚类的一种算法。主要聚类过程如下:
(1)从数据集D中随机取K个数据元素作为K个类簇的质心Ci,i∈{1,2,…K},每个质心代表一个类簇的簇心;
(2)分别计算数据集中n个数据元素与Ci的距离(一般用欧式距离表示),例如对于数据集Dj,j∈{1,2,3,…,n},Dj距离簇心Ci最近,则将Dj归属于为类簇Ci;
(3)根据步骤(2),将数据集D划分K个类簇,重新计算这K个类簇的质心。计算方法是取类簇中所有数据集的各自维度的算术平均数,形成新的质心,且更新该类簇的质心。然后对每个类簇都计算一次,分别更新各自的质心;
(4)将数据集D中的数据元素,根据步骤(3)计算出的新的质心,重新聚类;
(5)根据步骤(4)的结果,重复进行步骤(1)(2)(3)(4),直到各个类簇的质心不再变化为止;
(6)输出结果。
在确定多个类簇之后,可以基于一定的规则选择出异常订单,例如,下单前在商品详情页面停留的时间较短、下单前在其他页面的访问次数较少,并且状态数据大面积雷同的类簇所对应的订单,可以被确定为异常订单。
本公开实施例通过聚类的方法对海量数据进行处理,相对于逐个与阈值比较的方法,能够有效地提高处理效率,节省时间。
图3B示意性示出了根据本公开另一实施例的确定所述多个待识别订单中是否存在异常订单的流程图。
如图3B所示,该方法包括操作S310~S340。
在操作S340,基于所述行为数据筛选所述待识别订单,得到存疑订单。
在操作S350,将所述存疑订单的状态数据拼接为所述存疑订单的特征向量。
在操作S360,通过聚类算法处理所述特征向量,获得多个第二类簇。
在操作S370,确定所述第二类簇对应的待识别订单是否为异常订单。
其中,例如可以依据下单前在商品详情页面停留的时间小于某一阈值、下单前在其他页面的访问次数少于某一阈值等条件进行筛选得到存疑订单。例如可以判断是否存在状态数据大面积雷同的订单以从存疑订单中确定异常订单。
该方法与前述实施例的区别在于使用行为数据对待处理订单进行了筛选,得到存疑订单,再采用状态数据产生的特征进行聚类处理。通过筛选的方法可以提高每一次聚类的速度。其中,使用状态数据产生的特征进行聚类的过程与前述实施例类似,筛选过程可以参考如图3C所示意的方法。
图3C示意性示出了根据本公开实施例的基于所述行为数据筛选所述待识别订单,得到存疑订单的流程图。
如图3C所示,该方法包括操作S341和操作S342。
在操作S341,通过聚类算法处理所述行为数据,获得多个第三类簇。
在操作S342,基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
类似地,可以分别对行为数据进行聚类或者将行为数据拼接之后进行聚类,得到多个第三类簇。通过下单前在商品详情页面停留的时间、下单前在其他页面的访问次数等行为数据判断多个待识别订单中是否存在存疑订单,例如下单前在商品详情页面停留的时间小于某一阈值,且下单前在其他页面的访问次数少于某一阈值的订单。
以如下表1的数据为例,通过以上任意一种方法可以判定订单4、9和19为正常订单,其余订单为异常订单。此处对订单19的判定或许有争议,但有限争议总是被允许的。
表1
根据本公开实施例,在确定存在至少一个异常订单的情况下,基于所述至少一个异常订单,可以输出展示内容。该展示内容例如可以是异常订单列表或者异常订单的摘要。该摘要例如可以包括异常订单或正常订单的数量,异常订单或正常订单占所有订单的比例,异常订单出现的时间,使用的浏览器及版本号,操作系统和版本号等信息。根据本公开实施例,也可以不输出展示内容,例如可以对异常订单进行标记,为后续的其他处理做准备。
本公开实施例的方法通过待识别订单的行为数据和状态数据判断多个待识别订单中的异常订单,能够识别基于VPS刷单技术产生的异常订单,提高判断的准确性
基于同一发明构思,本公开还提供了一种识别异常订单的装置,下面参照图4对本公开实施例的识别异常订单的装置进行说明。
图4示意性示出了根据本公开实施例的识别异常订单的装置400的框图。
如图4所示,识别异常订单的装置400包括获得模块410和确定模块420。该识别异常订单的装置400可以执行上文描述的各种方法。
获得模块410,例如执行参考上文图2描述的操作S210,用于获得待识别订单的行为数据和状态数据。
确定模块420,例如执行参考上文图2描述的操作S220,用于基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
根据本公开实施例,所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个。
根据本公开实施例,所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。
图5示意性示出了根据本公开实施例的确定模块500的框图。
如图5所示,该确定模块500包括第一拼接子模块510、第一聚类子模块520以及第一确定子模块530。
第一拼接子模块510,例如执行参考上文图3A描述的操作S310,用于将所述行为数据和状态数据拼接为所述待识别订单的特征向量。
第一聚类子模块520,例如执行参考上文图3A描述的操作S320,用于通过聚类算法处理所述特征向量,获得多个第一类簇。
第一确定子模块530,例如执行参考上文图3A描述的操作S330,用于确定所述第一类簇对应的待识别订单是否为异常订单。
图6示意性示出了根据本公开另一实施例的确定模块600的框图。
如图6所示,该确定模块600包括筛选子模块610、第二拼接子模块620、第二聚类子模块630以及第二确定子模块640。
筛选子模块610,例如执行参考上文图3B描述的操作S340,用于基于所述行为数据筛选所述待识别订单,得到存疑订单。
第二拼接子模块620,例如执行参考上文图3B描述的操作S350,用于将所述存疑订单的状态数据拼接为所述存疑订单的特征向量。
第二聚类子模块630,例如执行参考上文图3B描述的操作S360,用于通过聚类算法处理所述特征向量,获得多个第二类簇。
第二确定子模块640,例如执行参考上文图3B描述的操作S370,用于确定所述第二类簇对应的待识别订单是否为异常订单。
图7示意性示出了根据本公开实施例的筛选子模块700的框图。
如图7所示,该筛选子模块700包括聚类单元710和确定单元720。
聚类单元710,例如执行参考上文图3C描述的操作S341,用于通过聚类算法处理所述行为数据,获得多个第三类簇。
确定单元720,例如执行参考上文图3C描述的操作S342,于基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获得模块410、确定模块420、第一拼接子模块510、第一聚类子模块520、第一确定子模块530、筛选子模块610、第二拼接子模块620、第二聚类子模块630、第二确定子模块640、聚类单元710和确定单元720中的多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获得模块410、确定模块420、第一拼接子模块510、第一聚类子模块520、第一确定子模块530、筛选子模块610、第二拼接子模块620、第二聚类子模块630、第二确定子模块640、聚类单元710和确定单元720中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获得模块410、确定模块420、第一拼接子模块510、第一聚类子模块520、第一确定子模块530、筛选子模块610、第二拼接子模块620、第二聚类子模块630、第二确定子模块640、聚类单元710和确定单元720中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图8示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,根据本公开实施例的计算机系统800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种识别异常订单的方法,包括:
获得待识别订单的行为数据和状态数据;
基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
2.根据权利要求1所述的方法,其中,
所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个;
所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。
3.根据权利要求1所述的方法,其中,所述确定所述多个待识别订单中是否存在异常订单包括:
将所述行为数据和状态数据拼接为所述待识别订单的特征向量;
通过聚类算法处理所述特征向量,获得多个第一类簇;以及
确定所述第一类簇对应的待识别订单是否为异常订单。
4.根据权利要求1所述的方法,其中,所述确定所述多个待识别订单中是否存在异常订单包括:
基于所述行为数据筛选所述待识别订单,得到存疑订单;
将所述存疑订单的状态数据拼接为所述存疑订单的特征向量;
通过聚类算法处理所述特征向量,获得多个第二类簇;以及
确定所述第二类簇对应的待识别订单是否为异常订单。
5.根据权利要求4所述的方法,其中,所述基于所述行为数据筛选所述待识别订单,得到存疑订单包括:
通过聚类算法处理所述行为数据,获得多个第三类簇;以及
基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
6.一种识别异常订单的装置,包括:
获得模块,用于获得待识别订单的行为数据和状态数据;
确定模块,用于基于多个所述待识别订单的行为数据和状态数据,确定所述多个待识别订单中是否存在异常订单。
7.根据权利要求6所述的装置,其中,
所述行为数据包括下单前在商品详情页面停留的时间和下单前在其他页面的访问次数中的至少一个;
所述状态数据包括下单使用的浏览器及版本信息、下单使用的操作系统及版本信息、下单时刻中的至少一个。
8.根据权利要求6所述的装置,其中,所述确定模块包括:
第一拼接子模块,用于将所述行为数据和状态数据拼接为所述待识别订单的特征向量;
第一聚类子模块,用于通过聚类算法处理所述特征向量,获得多个第一类簇;以及
第一确定子模块,用于确定所述第一类簇对应的待识别订单是否为异常订单。
9.根据权利要求6所述的装置,其中,所述确定模块包括:
筛选子模块,用于基于所述行为数据筛选所述待识别订单,得到存疑订单;
第二拼接子模块,用于将所述存疑订单的状态数据拼接为所述存疑订单的特征向量;
第二聚类子模块,用于通过聚类算法处理所述特征向量,获得多个第二类簇;以及
第二确定子模块,用于确定所述第二类簇对应的待识别订单是否为异常订单。
10.根据权利要求9所述的装置,其中,所述筛选子模块包括:
聚类单元,用于通过聚类算法处理所述行为数据,获得多个第三类簇;以及
确定单元,用于基于所述多个第三类簇的中心对象的特征值与阈值的比较结果,确定所述第三类簇对应的待识别订单是否为存疑订单。
11.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,
其中,当一个或多个计算机程序被一个或多个处理器执行时,使得一个或多个处理器实现权利要求1至5中任一项的方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至5中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489732.4A CN111768258B (zh) | 2019-06-05 | 识别异常订单的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489732.4A CN111768258B (zh) | 2019-06-05 | 识别异常订单的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768258A true CN111768258A (zh) | 2020-10-13 |
CN111768258B CN111768258B (zh) | 2024-09-24 |
Family
ID=
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
CN114219410A (zh) * | 2022-02-21 | 2022-03-22 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
CN114301711A (zh) * | 2021-12-31 | 2022-04-08 | 招商银行股份有限公司 | 防暴刷方法、装置、设备、存储介质及计算机程序产品 |
CN114338216A (zh) * | 2021-12-31 | 2022-04-12 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备、介质及程序产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN106709777A (zh) * | 2015-11-18 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种订单聚类方法及装置,以及反恶意信息的方法及装置 |
CN107341716A (zh) * | 2017-07-11 | 2017-11-10 | 北京奇艺世纪科技有限公司 | 一种恶意订单识别的方法、装置及电子设备 |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
CN107516246A (zh) * | 2017-08-25 | 2017-12-26 | 北京京东尚科信息技术有限公司 | 用户类型的确定方法、确定装置、介质及电子设备 |
CN108073945A (zh) * | 2017-11-13 | 2018-05-25 | 珠海金山网络游戏科技有限公司 | 一种基于设备登录密度预判游戏工作室的方法和装置 |
CN108876545A (zh) * | 2018-06-22 | 2018-11-23 | 北京小米移动软件有限公司 | 订单识别方法、装置和可读存储介质 |
CN108920947A (zh) * | 2018-05-08 | 2018-11-30 | 北京奇艺世纪科技有限公司 | 一种基于日志图建模的异常检测方法和装置 |
CN109191226A (zh) * | 2018-06-29 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 风险控制方法和装置 |
CN109285009A (zh) * | 2018-08-06 | 2019-01-29 | 北京三快在线科技有限公司 | 刷单识别方法和刷单识别装置 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN106709777A (zh) * | 2015-11-18 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种订单聚类方法及装置,以及反恶意信息的方法及装置 |
US20180268464A1 (en) * | 2015-11-18 | 2018-09-20 | Alibaba Group Holding Limited | Order clustering and malicious information combating method and apparatus |
CN107341716A (zh) * | 2017-07-11 | 2017-11-10 | 北京奇艺世纪科技有限公司 | 一种恶意订单识别的方法、装置及电子设备 |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
CN107516246A (zh) * | 2017-08-25 | 2017-12-26 | 北京京东尚科信息技术有限公司 | 用户类型的确定方法、确定装置、介质及电子设备 |
CN108073945A (zh) * | 2017-11-13 | 2018-05-25 | 珠海金山网络游戏科技有限公司 | 一种基于设备登录密度预判游戏工作室的方法和装置 |
CN108920947A (zh) * | 2018-05-08 | 2018-11-30 | 北京奇艺世纪科技有限公司 | 一种基于日志图建模的异常检测方法和装置 |
CN108876545A (zh) * | 2018-06-22 | 2018-11-23 | 北京小米移动软件有限公司 | 订单识别方法、装置和可读存储介质 |
CN109191226A (zh) * | 2018-06-29 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 风险控制方法和装置 |
CN109285009A (zh) * | 2018-08-06 | 2019-01-29 | 北京三快在线科技有限公司 | 刷单识别方法和刷单识别装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
CN114301711A (zh) * | 2021-12-31 | 2022-04-08 | 招商银行股份有限公司 | 防暴刷方法、装置、设备、存储介质及计算机程序产品 |
CN114338216A (zh) * | 2021-12-31 | 2022-04-12 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备、介质及程序产品 |
CN114338216B (zh) * | 2021-12-31 | 2024-03-26 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备及介质 |
CN114219410A (zh) * | 2022-02-21 | 2022-03-22 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
CN114219410B (zh) * | 2022-02-21 | 2022-06-24 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
US11570214B2 (en) | Crowdsourced innovation laboratory and process implementation system | |
US11436585B2 (en) | Virtual point of sale | |
US11972465B2 (en) | Social network-based inventory management | |
US10318546B2 (en) | System and method for test data management | |
US8875239B2 (en) | Cognitive pattern recognition for security access in a flow of tasks | |
CN108550046B (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
WO2016101811A1 (zh) | 一种信息排序方法及装置 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
US20190058687A1 (en) | Personal web address management system | |
US20190311310A1 (en) | Methods and systems for managing risk with respect to potential customers | |
CN109345063B (zh) | 用于风控系统的数据处理方法、设备和存储介质 | |
JP2021197089A (ja) | 出力装置、出力方法及び出力プログラム | |
CN112131502A (zh) | 数据处理方法、数据处理装置、电子设备和介质 | |
CN110796520A (zh) | 商品推荐的方法、装置、计算设备以及介质 | |
CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
US10354313B2 (en) | Emphasizing communication based on past interaction related to promoted items | |
CN111768258B (zh) | 识别异常订单的方法、装置、电子设备和介质 | |
CN110930103A (zh) | 服务单审核方法及系统、介质和计算机系统 | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN111768258A (zh) | 识别异常订单的方法、装置、电子设备和介质 | |
CN110288365B (zh) | 数据处理方法及系统、计算机系统和计算机可读存储介质 | |
US20190095948A1 (en) | Promotion compliance systems and methods | |
KR20200005248A (ko) | 소셜 네트워크 서비스를 이용한 개인 판매몰 자동 생성 방법 및 시스템 | |
US9934332B1 (en) | Random sample aggregation similarities |
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 |