CN111949702A - 异常交易数据的识别方法、装置及设备 - Google Patents
异常交易数据的识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111949702A CN111949702A CN202010629806.2A CN202010629806A CN111949702A CN 111949702 A CN111949702 A CN 111949702A CN 202010629806 A CN202010629806 A CN 202010629806A CN 111949702 A CN111949702 A CN 111949702A
- Authority
- CN
- China
- Prior art keywords
- transaction data
- user
- entity object
- transaction
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Abstract
本申请公开了一种异常交易数据的识别方法、装置及设备,涉及计算机技术领域,能够提高异常交易数据识别结果的覆盖率,进而准确识别出异常交易数据。其中方法包括:响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;将用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系;若交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及到一种异常交易数据的识别方法、装置及设备。
背景技术
随着互联网技术的不断发展,涌现出越来越多的线上平台,线上平台可以充分挖掘线下资源,进而促进用户利用线上平台与实体对象进行线下交易。对于线下门店内的商家端,为了能够提高订单数量,获取到更多的有效资源,往往会试图利用店内工作人员或周围朋友的终端去提交订单,使得交易数据达到获取权益的门槛条件。
由于订单数据的有效性能够直接影响到线上平台的信誉,一旦线上平台识别出订单数据中存在异常交易数据,说明该订单可能为虚假订单,无法纳入正常的交易数据。现有技术中,为了保证订单数据的有效性,线上平台可以通过识别订单数据所提供的特征信息与线下门店的特征信息进行相似度计算,进而识别出订单数据中的异常交易数据。然而,现有的订单数据中地址信息复杂多样,存在错误识别和地址缺失的情况下很容易遗漏异常交易数据,使得异常交易数据的识别结果覆盖率较低,无法对订单数据中异常交易数据进行准确识别。
发明内容
有鉴于此,本申请提供了一种异常交易数据的识别方法、装置及设备,主要目的在于解决现有技术中异常交易数据的识别结果覆盖率较低,无法对订单数据中异常交易数据进行准确识别的问题。
根据本申请的第一个方面,提供了一种异常交易数据的识别方法,该方法包括:
响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;
将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
在本发明另一实施例中,所述交易特征参数包括实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数,所述获取交易数据中用户以及实体对象所涉及的交易特征参数,具体包括:
利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数;
利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数。
在本发明另一实施例中,所述实体对象特征参数包括实体对象地址参数和实体对象热点参数,所述利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数,具体包括:
通过将所述注册信息与预先设置的地址关键字段进行匹配,获取交易数据中实体对象地址参数;
通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数,具体包括:
通过统计交易数据中用户所连接的各个热点信息,得到各个热点信息所接入的用户信息;
根据所述各个热点信息所接入的用户信息,统计各个热点信息所接入的用户数量;
根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数,具体包括:
通过分析各个热点信息所接入的用户信息,确定各个热点信息的用户接入时长;
对所述用户接入时长大于预设阈值的热点信息进行过滤;
根据过滤后各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述用户在实体对象中进行交易所捕获的特征参数包括设备参数和地址参数,所述利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数,具体包括:
利用特征标签训练的数据模型提取交易数据中涉及设备标签的用户数据,获取用户在实体对象中进行交易所捕获的设备参数;
利用特征标签训练的数据模型提取交易数据中涉及地址标签的用户数据,获取用户在实体对象中进行交易所捕获的地址参数。
在本发明另一实施例中,所述异常识别模型为基于决策树框架训练的深度学习网络模型,所述决策树框架从不同维度特征对输入的用户与实体对象之间是否存在关联关系进行预测,所述将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,具体包括:
将所述用户及实体对象所涉及的交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取,得到多个交互关联特征,且每个交互关联特征对应有特征权重;
利用决策树框架将所述多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点,并且每个叶子节点对应有深度神经网络模型所预测的特征权重;
通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果。
在本发明另一实施例中,所述通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果,具体包括:
按照梯度数据由大至小对决策树中各个叶子节点进行排序,列出决策树进行分割的切分点;
通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,对所述对决策树进行分割的切分点进行评分;
将评分最高的分切点所形成的决策树作确定输入用户与实体对象代之间的关联关系的判定依据,得到交易数据的识别结果。
根据本申请的第二个方面,提供了一种异常交易数据的识别方法,该方法包括:
输出绑定有实体对象标识的检测按钮;
响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据。
在本发明另一实施例中,在所述响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令之后,所述方法还包括:
接收交易数据的识别结果,基于所述识别结果中具有关联关系的用户与实体对象所涉及的交易数据生成异常提示信息;
展示所述异常提示信息。
根据本申请的第三个方面,提供了一种应用于服务端的异常交易数据的识别装置,该装置包括:
获取单元,用于响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;
识别单元,用于将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
确定单元,用于若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
在本发明另一实施例中,所述交易特征参数包括实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数,所述获取单元包括:
第一获取模块,用于利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数;
第二获取模块,用于利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数。
在本发明另一实施例中,所述实体对象特征参数包括实体对象地址参数和实体对象热点参数,所述第一获取模块包括:
匹配子模块,用于通过将所述注册信息与预先设置的地址关键字段进行匹配,获取交易数据中实体对象地址参数;
统计子模块,用于通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述统计子模块,具体用于通过统计交易数据中用户所连接的各个热点信息,得到各个热点信息所接入的用户信息;
所述统计子模块,具体还用于根据所述各个热点信息所接入的用户信息,统计各个热点信息所接入的用户数量;
所述统计子模块,具体还用于根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述统计子模块,具体还用于通过分析各个热点信息所接入的用户信息,确定各个热点信息的用户接入时长;
所述统计子模块,具体还用于对所述用户接入时长大于预设阈值的热点信息进行过滤;
所述统计子模块,具体还用于根据过滤后各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在本发明另一实施例中,所述用户在实体对象中进行交易所捕获的特征参数包括设备参数和地址参数,所述第二获取模块包括:
第一提取子模块,用于利用特征标签训练的数据模型提取交易数据中涉及设备标签的用户数据,获取用户在实体对象中进行交易所捕获的设备参数;
第二提取子模块,用于利用特征标签训练的数据模型提取交易数据中涉及地址标签的用户数据,获取用户在实体对象中进行交易所捕获的地址参数。
在本发明另一实施例中,所述异常识别模型为基于决策树框架训练的深度学习网络模型,所述决策树框架从不同维度特征对输入的用户与实体对象之间是否存在关联关系进行预测,所述识别单元包括:
加工模块,用于将所述用户及实体对象所涉及的交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取,得到多个交互关联特征,且每个交互关联特征对应有特征权重;
分配模块,用于利用决策树框架将所述多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点,并且每个叶子节点对应有深度神经网络模型所预测的特征权重;
匹配模块,用于通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果。
在本发明另一实施例中,所述匹配模块包括:
排序子模块,用于按照梯度数据由大至小对决策树中各个叶子节点进行排序,列出决策树进行分割的切分点;
匹配子模块,用于通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,对所述对决策树进行分割的切分点进行评分;
确定子模块,用于将评分最高的分切点所形成的决策树作确定输入用户与实体对象代之间的关联关系的判定依据,得到交易数据的识别结果。
根据本申请的第四个方面,提供了一种应用于客户端的异常交易数据的识别装置,该装置包括:
输出单元,用于输出绑定有实体对象标识的检测按钮;
生成单元,用于响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据。
在本发明另一实施例中,所述装置还包括:
接收单元,用于在响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令之后,接收交易数据的识别结果,基于所述识别结果中具有关联关系的用户与实体对象所涉及的交易数据生成异常提示信息;
展示单元,用于展示所述异常提示信息。
根据本申请的第五个方面,提供了一种异常交易数据的识别系统,该系统包括接收端和发送端;
发送端输出绑定有实体对象标识的检测按钮;
当发送端响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据;
响应于交易数据的识别指令,接收端获取交易数据中用户以及实体对象所涉及的交易特征参数;
接收端将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则接收端将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
根据本申请的第六个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述异常交易数据的识别方法。
根据本申请的第七个方面,提供了一种客户端设备和服务器设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述异常交易数据的识别方法。
借由上述技术方案,本申请提供的一种异常交易数据的识别方法、装置及设备,与目前现有方式中通过识别订单数据所提供的特征信息与线下门店的特征信息进行相似度计算来对订单数据中的异常交易数据进行识别的方式相比,本申请通过响应于异常交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数,进而将交易特征参数输入至预先构建的异常识别模型,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,进而将识别结果中具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据,通过异常识别模型来提高异常交易数据识别的覆盖率,从而减少异常交易数据识别结果中识别遗漏的情况,进而准确识别出异常交易数据。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种异常交易数据的识别方法的流程示意图;
图2示出了本申请实施例提供的另一种异常交易数据的识别方法的流程示意图;
图3示出了本申请实施例提供的另一种异常交易数据的识别方法的流程示意图;
图4示出了本申请实施例提供的一种异常交易数据的识别实例的时序示意图;
图5示出了本申请实施例提供的一种异常交易数据的识别装置的结构示意图;
图6示出了本申请实施例提供的另一种异常交易数据的识别装置的结构示意图;
图7示出了本申请实施例提供的另一种异常交易数据的识别装置的结构示意图;
图8示出了本申请实施例提供的另一种异常交易数据的识别装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本申请涉及的异常交易数据的识别系统包括发送端和接收端,其中,发送端为客户端,用于输出绑定有实体对象标识的检测按钮,从而在检测到绑定有对象标识的交易按钮触发并完成交易操作,生成并发送交易数据的识别指令,该识别指令携带有对象标识的交易数据。接收端为服务端,用于响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数,并将交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,若交易数据的识别结果中表征输入的用户与实体对象之间具有关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。具体在实际应用过程中,可以在用户向线上平台提交订单的同时触发对订单数据进行处理的指令,该订单数据的处理指令包括有交易数据的识别指令,并且通过将交易数据中用户与实体对象所涉及的交易特征参数输入至异常识别模型中,进而识别出订单数据中的异常交易数据,需要说明的是,这里的交易特征参数不局限于用户和实体对象的地址参数、连接热点参数、设备参数等,将更多维度特征加入至异常交易数据的识别过程中,提高了异常交易数据识别的覆盖率,进而准确识别出异常交易数据。
为了解决该问题,本实施例提供了一种异常交易数据的识别方法,如图1所示,该方法应用于服务端,包括如下步骤:
101、响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数。
由于交易数据在完成后,线上平台为了保证交易过程的规范性,可以通过触发交易数据的识别指令,进而对交易数据中可能存在的异常情况进行识别,本发明实施例主要针对交易数据中作弊刷单情况进行识别,具体可以通过对交易数据中的设备信息、地址信息、连接热点信息等维度特征进行识别,从而确定交易数据中是否存在刷单嫌疑的用户。
其中,交易数据中用户以及实体对象所涉及的交易特征参数可以包括实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数,这里的实体对象为线下门店。由于线下门店附近人员流动性较高,为了提高异常交易数据的识别精度,这里可以通过网格划分的方法来获取围绕实体对象区域范围内用户所产生的交易数据,进而针对该区域范围内的交易数据进行识别,一定程度上缩小了用户与实体对象的匹配范围。
在本发明实施例中,用户与实体对象所涉及的交易特征参数具体可以通过收集应用系统中的日志信息进行获取,该应用系统中的日志信息记录有用户行为数据集和用户属性信息,用户行为数据集记录有用户在交易过程中对实体对象的各种操作行为以及操作行为对应的属性信息,如访问、搜索、点击、下单等行为对应的时间、次数、结果等属性信息,用户属性信息记录有用户的应用信息、版本信息、设备信息、连接热点信息、地址信息等。所以在用户完成交易操作后,可以通过应用系统中的日志信息提炼出交易数据中实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数。
应说明的是,上述用户以及实体对象所涉及的交易特征参数需取得用户同意,并由客户端采集后经过打包、压缩等一系列处理步骤后,传输至服务端,再进行存储和分析,而客户端与服务端之间的数据传输是通过公网的,一方面,第三方可能会在数据传输过程中可能会截获传输的数据,从而拿到传输的交易特征数据,带来数据安全问题,另一方面,这些交易特征参数都是具体体现用户在客户端的一些具体用户行为,蕴含着用户的特定信息。为了保证交易特征数据的安全,可以在交易特征参数在记录至日志信息之后,日志系统对涉及到用户特定信息的交易特征参数进行加密,以保证交易特征参数符合数据保护规定。
具体对交易特征参数进行加密的过程,由于交易特征参数涉及多种数据类型、跨域数据,可以针对不同数据类型采用不同的加密方法,主要包括数据发布匿名保护、社交网络匿名保护、数据水印等等,可以理解的是,有些加密算法除了可以对数据进行加密,还可以运用在数据使用过程中,例如,数据传输过程中,数据处理过程中,以及发生数据泄露之后的相关技术,例如,一旦发生数据泄露即可自动消除数据或者自动修改数据的显示格式等。
对于本实施例的执行主体可以为异常交易数据的识别装置或设备,可以配置在线上平台对应的服务端侧,当客户端完成交易操作后,为了保证交易数据的可靠性,线上平台通常会对交易操作所生成的交易数据进行处理,进一步向服务端侧发送交易数据的识别指令,服务端为了对交易数据进行准确傻逼诶,可以根据预先构建的异常识别模型对交易数据中用户以及实体对象所涉及的交易特征参数进行匹配,进而识别出用户与实体对象之间是否存在关联关系。
102、将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果。
在本发明实施例中,异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,对于不同的用户与实体对象所涉及的交易特征参数,获得的多个维度特征也不相同,所以输出的识别结果也不相同。
可以理解的是,异常识别模型型可以输出识别结果,从而识别出输入的用户与实体对象之间是否存在关联关系,具体可以基于已知用户与实体对象所涉及交易特征参数之间的匹配标签,将用户与实体对象所涉及的交易特征参数作为训练样本,通过深度学习模型不断重复迭代输入的训练样本,构建异常识别模型。
在本发明实施例中,预设学习模型的选择可以为包括但不局限于DNN深度学习模型结合boost模型或xgboost模型等具有学习效果的监督模型,这里不进行限定。
103、若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
在本发明实施例中,由于识别结果能够针对基于用户与实体对象所涉及的交易特征参数之间的匹配程度来确定交易数据中用户与实体对象之间是否存在关联关系,对于存在关联关系的交易数据说明用户与实体对象高度匹配,可能存在刷单嫌疑,进而将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
本申请实施例提供的异常交易数据的识别方法,与目前现有方式中通过识别订单数据所提供的特征信息与线下门店的特征信息进行相似度计算来对订单数据中的异常交易数据进行识别的方式相比,本申请通过响应于异常交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数,进而将交易特征参数输入至预先构建的异常识别模型,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,进而将识别结果中具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据,通过异常识别模型来提高异常交易数据识别的覆盖率,从而减少异常交易数据识别结果中识别遗漏的情况,进而准确识别出异常交易数据。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,本实施例提供了另一种异常交易数据的识别方法,如图2所示,该方法包括:
201、响应于交易数据的识别指令,获取交易数据中实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数。
在本发明实施例中,实体对象特征参数可以包括实体对象地址参数和实体对象热点参数,具体可以利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数。针对实体对象地址参数,由于实体对象在线上平台注册的过程中需要输入相应的注册信息,这里可以通过将注册信息与预先设置的地址关键字段进行匹配,获取交易数据中实体对象地址参数;针对实体对象热点参数,为了便于用户进行交易操作,实体对象中通常建立有wifi热点提供给用户进行连接,这里可以通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数。
针对交易数据中实体对象热点参数的获取,由于用户在实体对象中进行交易通常会接入实体对象所提供的热点信息,具体可以通过统计交易数据中用户所连接的各个热点信息,得到各个热点信息所接入的用户信息,热点信息可以包括热点名称、热点状态等信息,用户信息可以包括用户接入时间、接入时长、连接状态等信息,根据所述各个热点信息所接入的用户信息,统计各个热点信息所接入的用户数量,通常情况下,热点信息所接入用户数量越多,该热点为实体对象建立的热点的可能性越高,根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
可以理解的是,热点信息的接入时长能从一定程度反映用户是否为实体对象内的线下操作人员,对于接入时长较长的用户,由于设备会保持接入实体对象内建立的热点信息,通常为实体对象内的线下操作人员,对于接入时长较短的用户,由于设备会在进入实体对象内进行交易操作过程中接入实体对象内建立的热点信息,通常为实体对象的线上交易用户,具体在根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数的过程中,可以通过分析各个热点信息所接入的用户信息,确定各个热点信息的用户接入时长,对用户接入时长大于预设阈值的热点信息进行过滤,这里预设阈值优选设置为5-10小时之间,进而根据过滤后各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
应说明的是,由于交易数据中实体对象热点参数可能会存在一系公共热点信息也具有接入用户数量多的特点,如机场热点、商场热点等公共热点信息,而该公共热点信息并非是实体对象内建立的热点信息,这里可以对热点信息进一步执行过滤操作,将公共热点信息从其中过滤掉,从而提高实体对象热点参数的准确性。
针对用户在实体对象中进行交易所捕获的特征参数的获取,由于用户在实体对象中进行交易通常会使用一些用户特征信息,具体可以利用特征标签训练的数据模型提取交易数据中涉及设备标签的用户数据,获取用户在实体对象中进行交易所捕获的设备参数,如设备id、设备号码、设备mac地址、等;利用特征标签训练的数据模型提取交易数据中涉及地址标签的用户数据,获取用户在实体对象中进行交易所捕获的地址参数,如设备交易过程接入的热点设备、用户收货地址等,这里用户收货地址包括但不局限于交易操作地址、交易收货地址、交易所使用应用中存储的地址。
202、将所述用户及实体对象所涉及的交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取,得到多个交互关联特征。
可以理解的是,交互特征参数作为原始数据可能存在很多冗余信息,为了便于对交易特征参数进行特征提取,需要在将交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取之前,利用预先标记的交易特征数据对深度学习网络模型进行训练,以使得深度学习网络模型所形成的矩阵参数不断趋于预设参数,进而准确提取出交互特征参数中的交互关联特征。
具体在预先标记的交易特征数据的输入至深度学习模型进行训练之前,为了保证输入至深度学习网络模型中的特征数据能够对结果识别更高价值或表达更充分的信息,可以在利用特征工程对预先标记的交易特征数据进行处理,以使得特征处理后形成的多个标记维度特征,同样的,在后续特征提取的过程仍然需要对交易特征参数进行特征处理。这里特征工程进行数据处理的过程可以包括数据清洗、特征处理、特征选择等过程,具体特征处理的过程可以针对交互特征数据对应的数据格式,对交易特征数据进行预处理、特征选择、特征降维等过程,预处理过程主要针对交易特征数据中量纲、信息冗余、缺失值等进行处理,如归一化、量化、缺失值等,当预处理过程结束后,往往需要选择有意义的特征输入至深度学习网络模型中进行训练在选择特征的过程中通常考虑两个方面,一方面是特征是否发散,另一方面是特征与目标的相关性,可以通过特征过滤或者特征集成的方式来选择,当特征选择完成后,由于特征矩阵过大,导致计算量较大,这里需要对选择的特征进行降维处理,以减少计算量,节省训练时长。
例如,针对用户在实体对象中进行交易所捕获的地址参数,由于地址参数通常表现为文本数据格式,可存在能不规范的格式,在特征处理过程可以将地址参数中的中文数字和阿拉伯数字进行归一化处理,并对省市区头部进行剔除处理,只保留街道住址信息;另一方面,为了便于维度特征转化,还可以在特征处理过程还可以利用分词模型度将地址参数中的文本进行分词处理,这里的分词模型可以为词袋模型、TF-IDF模型等。
具体在深度学习网络模型中进行特征提取的过程中,这里可以使用DNN模型来感知交易特征参数中的交易关联特征,由于DNN模型中包含多个网络层,输入层、隐藏层和输出层,第一层为输入层,最后一层为输出层,中间均为隐藏层,该隐藏层表现为预先标记的交易特征数据经过学习所形成的矩阵参数,该矩阵参数不断挖掘交易特征参数之间的关联性,进而从交易特征参数中提取出交易关联特征,且该交易关联特征对应有特征权重,用于表征特征之间的关联程度。
203、利用决策树框架将所述多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点。
具体在分配决策树中各个叶子节点的过程中,可以在深度学习网络模型中不断地添加决策树,不断地进行特征分裂来生长决策树,每次添加一个决策树,其实是学习一个新的识别结果,去拟合上一次识别的残差,当训练完成户形成多个决策树,每个决策树用于从不同维度特征对用于与实体对象之间的关联关系进行识别,所以在将用户与实体对象所涉及的交互特征参数形成多个维度特征输入至预先构建的异常识别模型中,需要将多个维度特征多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点,并且每个叶子节点对应有深度神经网络模型所预测的特征权重。
204、通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果。
在本发明实施例中,具体可以按照梯度数据由大至小对决策树中各个叶子节点进行排序,列出决策树进行分割的切分点;通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,对决策树进行分割的切分点进行评分;将评分最高的分切点所形成的决策树作为确定输入用户与实体对象之间关联关系的判定依据,得到交易数据的识别结果。
可以理解的是,针对用户与实体对象是否具有关联关系,这里通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,对决策树进行分割的切分点进行评分的过程,可以表现为对用户在实体对象中进行交易所捕获的设备参数中的热点信息与实体对象热点参数进行相似度匹配的过程,还可以表现为用户在实体对象中进行交易所捕获的地址参数与实体对象地址参数进行相似度匹配的过程。
在本发明实施例中,交易特征参数能够从一定程度上反映用户与实体对象之间的关联度,对于用户设备ID、用户设备MAC地址和设备所接入热点信息,在判断用户与实体对象是否具有关联的应用场景中,用户设备ID、户设备MAC地址可作为在数据通信过程中判断用户身份的唯一标识,如果实体对象热点信息中所接入的设备信息中包含用户设备ID或者用户设备MAC,则说明用户与实体对象具有关联,而具体关联程度的大小可以通过设备接入时长、接入频率次数等信息来进行判断;对于用户地址信息,在判断用户与实体对象是否具有关联的应用场景中,用户地址信息可作为在对象配送过程中判断用户收货地址的依据,如果实体对象的地址信息与用户的收货地址一致,则说明用户与实体对象具有关联;同样的,对于用户设备号码,在判断用户与是对象是否具有关联的应用场景中,用户设备号码可作为对象配送过程中判断用户联系方式的依据,如果实体对象的联系方式与用户的联系方式一致,则说明用户与实体对象具有关联;对于用户设备的蓝牙信息,在判断用户与实体对象是否具有关联的应用场景中,用户设备的蓝牙信息可作为实体对象POS机建立配对关系的依据,如果实体对象中POS机的蓝牙信息与用户设备的蓝牙信息建立有配对关系,则说明用户与实体对象具有关联。
具体在实际应用场景中,一方面线上平台会获取到用户地址信息(收货地址)、用户设备信息(包括设备ID、设备MAC地址、设备蓝牙信息)、用接入热点信息(连接热点名称、热点位置、热点状态)等用户在实体对象中进行交易所捕获的特征参数,另一方面线上平台会获取实体对象的注册信息(实体对象位置信息、实体对象名称)、实体对象热点信息、实体对象POS端蓝牙信息等交易数据中实体对象特征参数,然后对上述的交易特征参数中存在的不规范信息进行处理,通过归一化地址信息,将中文数字和阿拉伯数字进行归一化处理,对地址省市区头部进行剔除处理,只保留重要的街道住址信息,对于垃圾热点信息进行过滤处理,进而将上述的交易参数特征形成包含有多维度的特征向量输入至异常识别模型,该异常识别模型为利用深度学习网络模型进行训练后所形成,具有感知交易特征参数中的交易关联特征,具体识别的过程可以首先对交易特征参数所形成的特征向量进行关联标记,进而将具有关联性的交易特征参数绑定到一块,得到交易关联特征,然后利用预先设置的打分标准对绑定后的交易特征参数进行关联度打分,形成交易关联特征对应的特征权重,交易关联特征对应的特征权重越高,则说明交易参数特征之间的关联程度越高,该交易数据为异常的可能性越高,在确定交易关联特征后,利用决策树框架基于交易关联特征对应的关联权重对特征向量进行分配,进而将关联权重按照由大致小分配至决策树中各个节点中,以使得决策树的节点上对应有深度神经网络模型所预测的特征权重,最后在决策树中的节点中设置多个分割点,并基于目标特征的预测参数对多个分割点进行评分,评分越高的分割点,说明该分割点与目标特征的预测参数关联度越高,进而选取评分最高的分割点对关联特征对应的关联权重进行分割,形成交易数据的识别结果,即交易数据为正常数据或者异常数据的识别结果。
205、若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
可以理解的是,若交易数据的识别结果中表征输入的用户与实体对象之间不存在关联关系,则说明用户不存在刷单嫌疑。本发明实施例通过在识别用户与实体对象之间的关联关系过程中增加了地址特征、热点特征、设备mac地址特征、设备id特征、设备手机号特征等更多维度特征,能够提高异常识别结果的覆盖率,通过基于决策树框架训练的深度学习网络模型训练得到异常识别模型对多维度特征进行匹配识别,使得是被过程的计算更为复杂,具有更好的识别效果。
本实施例提供了另一种异常交易数据的识别方法,如图3所示,该方法应用于客户端,包括如下步骤:
301、输出绑定有实体对象标识的检测按钮。
在本发明实施例中,检测按钮可以为客户端界面上展示对实体对象进行异常识别的检测按钮,由于线上平台针对每个实体对象都会维护相应的交易数据,线上平台为了保证交易数据的可靠性,避免实体对象内产生刷单现象,会针对每个实体对象设置有相应的识别机制,以检测按钮的形式输出展示在线上平台的客户端,可以实现对实体对象内所产生的交易数据进行识别。
302、响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令。
其中,识别指令携带有实体对象标识的交易数据。由于用户在线上平台触发交易按钮后可能并未完成交易操作,导致交易失效,此时线上平台的客户端无法获取到相应的交易数据,如果用户触发交易按钮并完成交易操作,说明线上平台的客户端可以获取相应的交易数据,并将交易数据的识别指令发送至服务端,由到服务端对交易数据进行识别,可以理解的是,这里的识别指令仅针对完成交易操作生成交易数据。
进一步地,为了便于线上平台的客户端对异常交易数据进行处理,在客户端向服务端发送交易数据的识别指令之后,服务端会相应将异常交易数据的识别结果返回给客户端,在客户端接收交易数据的识别结果,如果异常识别结果中用户与实体对象所涉及的交易数据具有关联关系,可以基于识别结果中具有关联关系的用户与实体对象所涉及的交易数据生成异常提示信息,进而展示异常提示信息,该提示信息可以包括异常交易数据对应的用户信息、设备信息、交易信息等。
为了进一步说明客户端与服务端之间的交互关系,具体当用户在线下门店进行交易的过程中,本发明实施例提供了一种异常交易数据的识别实例的时序图,如图4所示,包括:
401、客户端输出绑定有实体对象标识的检测按钮。
402、响应于对绑定有实体对象标识的检测按钮的触发操作,客户端生成并发送交易数据的识别指令,该识别指令携带有实体对象标识的交易数据。
403、响应于交易数据的识别指令,服务端获取交易数据中用户以及实体对象所涉及的交易特征参数。
404、服务端将用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系。
405、若交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则服务端将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
具体应用场景中,线上平台为了避免线下门店内用户的刷单现象,可以针对完成交易操作的交易数据进行识别,通过在线上平台对应的客户端输出绑定有实体对象标识的检测按钮,进而当发生检测按钮的触发指令时,生成并向线上平台对应的服务端发送交易数据的识别指令,由服务端对识别指令中实体对象标识对应的交易数据进行识别,服务端通过提取交易数据中用户与实体对象所涉及的交易特征参数,进而利用异常识别模型对交易特征参数进行匹配识别,从而识别出用户与实体对象之间的关联关系,若用户的交易特征参数与实体对象从某些特征上匹配程度较高,则说明用户可能存在下单嫌疑,进而判定交易数据存在异常,将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据返回至客户端,由客户端对异常交易数据的识别结果进行相应展示。
进一步的,作为图1和图2方法的具体实现,本申请实施例提供了一种应用于服务端侧的异常交易数据的识别装置,如图5所示,该装置包括:获取单元51、识别单元52、确定单元53。
获取单元51,可以用于响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;
识别单元52,可以用于将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
确定单元53,可以用于若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
本发明实施例提供的异常交易数据的识别装置,与目前现有方式中通过识别订单数据所提供的特征信息与线下门店的特征信息进行相似度计算来对订单数据中的异常交易数据进行识别的方式相比,本申请通过响应于异常交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数,进而将交易特征参数输入至预先构建的异常识别模型,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,进而将识别结果中具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据,通过异常识别模型来提高异常交易数据识别的覆盖率,从而减少异常交易数据识别结果中识别遗漏的情况,进而准确识别出异常交易数据。
在具体的应用场景中,如图6所示,所述交易特征参数包括实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数,所述获取单元41包括:
第一获取模块511,可以用于利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数;
第二获取模块512,可以用于利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数。
在具体的应用场景中,如图6所示,所述实体对象特征参数包括实体对象地址参数和实体对象热点参数,所述第一获取模块511包括:
匹配子模块5111,可以用于通过将所述注册信息与预先设置的地址关键字段进行匹配,获取交易数据中实体对象地址参数;
统计子模块5112,可以用于通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数。
在具体的应用场景中,所述统计子模块5112,具体可以用于通过统计交易数据中用户所连接的各个热点信息,得到各个热点信息所接入的用户信息
所述统计子模块5112,具体还可以用于根据所述各个热点信息所接入的用户信息,统计各个热点信息所接入的用户数量;
所述统计子模块5112,具体还可以用于根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在具体的应用场景中,所述统计子模块5112,具体还可以用于通过分析各个热点信息所接入的用户信息,确定各个热点信息的用户接入时长;
所述统计子模块5112,具体还可以用于对所述用户接入时长大于预设阈值的热点信息进行过滤;
所述统计子模块5112,具体还可以用于根据过滤后各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
在具体的应用场景中,如图6所示,所述用户在实体对象中进行交易所捕获的特征参数包括设备参数和地址参数,所述第二获取模块512包括:
第一提取子模块5121,可以用于利用特征标签训练的数据模型提取交易数据中涉及设备标签的用户数据,获取用户在实体对象中进行交易所捕获的设备参数;
第二提取子模块5122,可以用于利用特征标签训练的数据模型提取交易数据中涉及地址标签的用户数据,获取用户在实体对象中进行交易所捕获的地址参数。
在具体的应用场景中,如图6所示,所述异常识别模型为基于决策树框架训练的深度学习网络模型,所述决策树框架从不同维度特征对输入的用户与实体对象之间是否存在关联关系进行预测,所述识别单元52包括:
加工模块521,可以用于将所述用户及实体对象所涉及的交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取,得到多个交互关联特征,且每个交互关联特征对应有特征权重;
分配模块522,可以用于利用决策树框架将所述多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点,并且每个叶子节点对应有深度神经网络模型所预测的特征权重;
匹配模块523,可以用于通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果。
在具体的应用场景中,如图6所示,所述匹配模块523包括:
排序子模块5231,可以用于按照梯度数据由大至小对决策树中各个叶子节点进行排序,列出决策树进行分割的切分点;
匹配子模块5232,可以用于通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,对所述对决策树进行分割的切分点进行评分;
确定子模块5233,可以用于将评分最高的分切点所形成的决策树作确定输入用户与实体对象代之间的关联关系的判定依据,得到交易数据的识别结果。
需要说明的是,本实施例提供的一种异常交易数据的识别装置所涉及各功能单元的其它相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
进一步地,作为图3方法的具体实现,本申请实施例提供了一种应用于客户端侧的异常交易数据的识别装置,如图7所示,该装置包括:输出单元61、生成单元62。
输出单元61,可以用于输出绑定有实体对象标识的检测按钮;;
生成单元62,可以用于响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据。
在具体的应用场景中,如图8所示,所述装置还包括:
接收单元63,可以用于在响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令之后,接收交易数据的识别结果,基于所述识别结果中具有关联关系的用户与实体对象所涉及的交易数据生成异常提示信息;
展示单元64,可以用于展示所述异常提示信息。
需要说明的是,本实施例提供的一种可应用于客户端侧的异常交易数据的识别装置所涉及各功能单元的其它相应描述,可以参考图3中的对应描述,在此不再赘述。
基于上述如图1-图2所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1-图2所示的异常交易数据的识别方法;基于上述如图3所示方法,相应的,本申请实施例还提供了另一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图3所示的异常交易数据的识别方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1-图2所示的方法,以及图5-图6所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种服务端实体设备,具体可以为计算机,服务器,或者其他网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上如图1-图2所示的异常交易数据的识别方法。
基于上述如图3所示的方法,以及图7-图8所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种客户端实体设备,具体可以为计算机,智能手机,平板电脑,智能手表,或者网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图3所示的异常交易数据的识别方法。
可选的,上述两种实体设备都还可以包括用户接口、网络接口、摄像头、射频(Radio Frequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种异常交易数据的识别的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述店铺搜索信息处理的实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,与目前现有方式相比,本申请通过响应于异常交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数,进而将交易特征参数输入至预先构建的异常识别模型,该异常识别模型基于输入的多个维度特征输出交易数据的识别结果,该识别结果用于表征输入的用户与实体对象之间是否存在关联关系,进而将识别结果中具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据,通过异常识别模型来提高异常交易数据识别的覆盖率,从而减少异常交易数据识别结果中识别遗漏的情况,进而准确识别出异常交易数据。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种异常交易数据的识别方法,其特征在于,包括:
响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;
将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
2.根据权利要求1所述的方法,其特征在于,所述交易特征参数包括实体对象特征参数、用户在实体对象中进行交易所捕获的特征参数,所述获取交易数据中用户以及实体对象所涉及的交易特征参数,具体包括:
利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数;
利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数。
3.根据权利要求2所述的方法,其特征在于,所述实体对象特征参数包括实体对象地址参数和实体对象热点参数,所述利用实体对象的注册信息以及交易数据中用户所连接的热点信息,获取交易数据中实体对象特征参数,具体包括:
通过将所述注册信息与预先设置的地址关键字段进行匹配,获取交易数据中实体对象地址参数;
通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数。
4.根据权利要求3所述的方法,其特征在于,所述通过对交易数据中用户所连接的各个热点信息进行统计分析,获取交易数据中实体对象热点参数,具体包括:
通过统计交易数据中用户所连接的各个热点信息,得到各个热点信息所接入的用户信息;
根据所述各个热点信息所接入的用户信息,统计各个热点信息所接入的用户数量;
根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
5.根据权利要求4所述的方法,其特征在于,所述根据各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数,具体包括:
通过分析各个热点信息所接入的用户信息,确定各个热点信息的用户接入时长;
对所述用户接入时长大于预设阈值的热点信息进行过滤;
根据过滤后各个热点信息所接入的用户数量,获取交易数据中实体对象热点参数。
6.根据权利要求2所述的方法,其特征在于,所述用户在实体对象中进行交易所捕获的特征参数包括设备参数和地址参数,所述利用特征标签训练的数据模型分析交易数据中的用户数据,获取用户在实体对象中进行交易所捕获的特征参数,具体包括:
利用特征标签训练的数据模型提取交易数据中涉及设备标签的用户数据,获取用户在实体对象中进行交易所捕获的设备参数;
利用特征标签训练的数据模型提取交易数据中涉及地址标签的用户数据,获取用户在实体对象中进行交易所捕获的地址参数。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述异常识别模型为基于决策树框架训练的深度学习网络模型,所述决策树框架从不同维度特征对输入的用户与实体对象之间是否存在关联关系进行预测,所述将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,具体包括:
将所述用户及实体对象所涉及的交易特征参数形成多个维度特征输入至深度学习网络模型中进行特征提取,得到多个交互关联特征,且每个交互关联特征对应有特征权重;
利用决策树框架将所述多个维度特征基于用户与实体对象是否具有关联关系分配到决策树中各个叶子节点,并且每个叶子节点对应有深度神经网络模型所预测的特征权重;
通过遍历匹配决策树中各个叶子节点对应的深度神经网络模型所预测的特征权重与目标特征的预测参数之间的关联度,得到交易数据的识别结果。
8.一种异常交易数据的识别方法,其特征在于,包括:
输出绑定有实体对象标识的检测按钮;
响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据。
9.一种异常交易数据的识别装置,其特征在于,包括:
获取单元,用于响应于交易数据的识别指令,获取交易数据中用户以及实体对象所涉及的交易特征参数;
识别单元,用于将所述用户以及实体对象所涉及的交易特征参数形成多个维度特征输入至预先构建的异常识别模型中,得到交易数据的识别结果,其中,所述异常识别模型基于输入的多个维度特征输出交易数据的识别结果,所述识别结果用于表征输入的用户与实体对象之间是否存在关联关系;
确定单元,用于若所述交易数据的识别结果中表征所述输入的用户与实体对象之间存在关联关系,则将具有关联关系的用户与实体对象所涉及的交易数据确定为异常交易数据。
10.一种异常交易数据的识别装置,其特征在于,包括:
输出单元,用于输出绑定有实体对象标识的检测按钮;
生成单元,用于响应于对绑定有实体对象标识的检测按钮的触发操作,生成并发送交易数据的识别指令,所述识别指令携带有实体对象标识的交易数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629806.2A CN111949702B (zh) | 2020-07-03 | 2020-07-03 | 异常交易数据的识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629806.2A CN111949702B (zh) | 2020-07-03 | 2020-07-03 | 异常交易数据的识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949702A true CN111949702A (zh) | 2020-11-17 |
CN111949702B CN111949702B (zh) | 2021-07-23 |
Family
ID=73337343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629806.2A Active CN111949702B (zh) | 2020-07-03 | 2020-07-03 | 异常交易数据的识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949702B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034123A (zh) * | 2021-02-19 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 异常资源转移识别方法、装置、电子设备及可读存储介质 |
CN114419528A (zh) * | 2022-04-01 | 2022-04-29 | 浙江口碑网络技术有限公司 | 异常识别方法、装置、计算机设备及计算机可读存储介质 |
CN114564525A (zh) * | 2022-04-28 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
CN114679307A (zh) * | 2022-03-18 | 2022-06-28 | 深圳市纽创信安科技开发有限公司 | 一种tls加密威胁检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119783A (zh) * | 2015-09-30 | 2015-12-02 | 北京奇艺世纪科技有限公司 | 网络请求数据的检测方法及装置 |
US20180176241A1 (en) * | 2016-12-21 | 2018-06-21 | Hewlett Packard Enterprise Development Lp | Abnormal behavior detection of enterprise entities using time-series data |
CN110335115A (zh) * | 2019-07-01 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 一种业务订单处理方法及装置 |
CN110910204A (zh) * | 2019-10-24 | 2020-03-24 | 东莞市盟大塑化科技有限公司 | 一种基于人工智能的用户监测系统 |
CN111340493A (zh) * | 2020-03-04 | 2020-06-26 | 江苏大学 | 一种多维度分布式异常交易行为检测方法 |
-
2020
- 2020-07-03 CN CN202010629806.2A patent/CN111949702B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119783A (zh) * | 2015-09-30 | 2015-12-02 | 北京奇艺世纪科技有限公司 | 网络请求数据的检测方法及装置 |
US20180176241A1 (en) * | 2016-12-21 | 2018-06-21 | Hewlett Packard Enterprise Development Lp | Abnormal behavior detection of enterprise entities using time-series data |
CN110335115A (zh) * | 2019-07-01 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 一种业务订单处理方法及装置 |
CN110910204A (zh) * | 2019-10-24 | 2020-03-24 | 东莞市盟大塑化科技有限公司 | 一种基于人工智能的用户监测系统 |
CN111340493A (zh) * | 2020-03-04 | 2020-06-26 | 江苏大学 | 一种多维度分布式异常交易行为检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034123A (zh) * | 2021-02-19 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 异常资源转移识别方法、装置、电子设备及可读存储介质 |
CN113034123B (zh) * | 2021-02-19 | 2024-03-12 | 腾讯科技(深圳)有限公司 | 异常资源转移识别方法、装置、电子设备及可读存储介质 |
CN114679307A (zh) * | 2022-03-18 | 2022-06-28 | 深圳市纽创信安科技开发有限公司 | 一种tls加密威胁检测方法和系统 |
CN114419528A (zh) * | 2022-04-01 | 2022-04-29 | 浙江口碑网络技术有限公司 | 异常识别方法、装置、计算机设备及计算机可读存储介质 |
CN114564525A (zh) * | 2022-04-28 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
CN114564525B (zh) * | 2022-04-28 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111949702B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949702B (zh) | 异常交易数据的识别方法、装置及设备 | |
CN110198310B (zh) | 一种网络行为反作弊方法、装置及存储介质 | |
CN108471429B (zh) | 一种网络攻击告警方法及系统 | |
CN108683687B (zh) | 一种网络攻击识别方法及系统 | |
CN108881263B (zh) | 一种网络攻击结果检测方法及系统 | |
CN105095211B (zh) | 多媒体数据的获取方法和装置 | |
CN112543176A (zh) | 一种异常网络访问检测方法、装置、存储介质及终端 | |
JP2018519586A (ja) | アカウント盗難リスクの識別方法、識別装置、及び防止・制御システム | |
CN108833185B (zh) | 一种网络攻击路线还原方法及系统 | |
Riadi | Forensic investigation technique on android's blackberry messenger using nist framework | |
CN104836781A (zh) | 区分访问用户身份的方法及装置 | |
CN110033293A (zh) | 获取用户信息的方法、装置及系统 | |
CN109194689B (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN109600336A (zh) | 存储设备、验证码应用方法和装置 | |
CN110798709B (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN110675252A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
CN105681257B (zh) | 一种基于即时通信交互平台的信息举报方法、装置、设备、系统及计算机存储介质 | |
CN111221625A (zh) | 文件检测方法、装置及设备 | |
CN112437034B (zh) | 虚假终端检测方法和装置、存储介质及电子装置 | |
CN110955890B (zh) | 恶意批量访问行为的检测方法、装置和计算机存储介质 | |
CN111951021A (zh) | 一种可疑社团的发现方法和装置、存储介质及计算机设备 | |
CN111582757A (zh) | 欺诈风险的分析方法、装置、设备及计算机可读存储介质 | |
CN112347457A (zh) | 异常账户检测方法、装置、计算机设备和存储介质 | |
KR101462666B1 (ko) | 정보 사용 기록 생성 시스템 및 방법 |
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 |