CN112308352A - 一种订单识别方法、装置及电子设备 - Google Patents
一种订单识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112308352A CN112308352A CN201910694882.9A CN201910694882A CN112308352A CN 112308352 A CN112308352 A CN 112308352A CN 201910694882 A CN201910694882 A CN 201910694882A CN 112308352 A CN112308352 A CN 112308352A
- Authority
- CN
- China
- Prior art keywords
- order
- target
- information
- obtaining
- trade
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000009826 distribution Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 15
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000005034 decoration Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000004566 building material Substances 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种订单识别方法、装置及电子设备，该方法包括：根据目标交易订单在生成时对应的位置区域和目标交易订单的设定订单信息，获得反映目标交易订单与关联数据之间的匹配度的特征向量；其中，关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；至少根据特征向量，识别目标交易订单是否为风险订单。
Description
技术领域
本发明涉及信息处理领域，更具体地，涉及一种订单识别方法、一种订单识别装置、一种电子设备以及一种计算机可读存储介质。
背景技术
目前，通过电商交易平台购买商品已经成为人们的主要消费渠道，由于人们通过电商交易平台购买商品时，商家评分及商品销售量等都是人们选择商品的主要参考因素，因此，出现了大量的需要人为提升商品销售量的需求，这就滋生出了依赖于电商交易的作弊黑色产业。为了对抗作弊黑色产业，电商交易平台开发了用以识别风险订单的风控平台，以降低因刷单造成的虚假现象对用户造成的影响。
随着电商交易平台的不断强大，依赖于电商交易的作弊黑色产业也在快速增长，包含虚假交易、刷单炒信、虚假评价、风险流量在内的一系列作弊手段和行为给电商生态的公平性和公信度带来了巨大挑战。尤其是目前出现了隐蔽性极强的地推刷单，由于地推刷单与普通订单具有高度的相似性，因此，传统的风控平台对于风险刷单的识别准确度降低，需要提供一种新的方法来提高对于地推刷单的识别准确率，进而提高风控平台的对抗强度。
发明内容
本发明实施例的一个目的是提供一种识别风险订单的新的技术方案。
根据本发明的第一方面，提供了一种订单识别方法，包括：
根据目标交易订单在生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
可选地，所述方法还包括获得所述关联数据的步骤，包括：
获取交易订单集合中交易订单在生成时对应的位置区域；
根据每一所述交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组；
建立每一所述异常群组与所对应的位置区域间的关联关系，获得所述关联数据。
可选地，所述根据每一所述交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组，包括：
根据每一所述交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域，作为目标区域；
根据每一所述目标区域中交易订单的所述设定订单信息的分布情况，获得基于地理位置形成的对于所述设定订单信息的异常群组。
可选地，所述根据每一所述交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域，包括：
根据每一所述交易订单对应的位置区域，获得在设定时间窗口内的交易订单数量达到设定数量的位置区域，作为满足设定的订单聚集要求的位置区域。
可选地，所述根据每一所述目标区域中交易订单的所述设定订单信息的分布情况，获得基于地理位置形成的对于所述设定订单信息的异常群组，包括：
针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类；
根据针对每一所述目标区域的聚类结果，获得所述异常群组。
可选地，所述设定订单信息包括交易对象信息，所述根据针对每一所述目标区域的聚类结果，获得所述异常群组，包括：
在对于交易对象的所有聚类结果中，筛选出满足第一分布状态的第一目标聚类结果，其中，所述第一分布状态为具有对象类别不同的至少两个目标对象类，所述目标对象类为其中的交易对象数量达到所述第一设定数量的对象类；
对于每一所述第一目标聚类结果，聚合使得对应第一目标聚类结果满足所述第一分布状态的目标对象类，获得基于对应位置区域形成的对于交易对象的异常群组。
可选地，所述订单信息包括商家信息，所述针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类，包括：
针对每一所述目标区域，对所对应的交易订单涉及的商家提供的交易对象类别进行商家聚类；
所述根据针对每一所述目标区域的聚类结果，获得所述异常群组，包括：
在对于商家的所有聚类结果中，筛选出满足第二分布状态的聚类结果作为第二目标聚类结果，其中，所述第二分布状态为具有商家类别不同的至少两个目标商家类，目标商家类为对于对应交易对象类别的销售量达到第二设定数量的商家类；
对于每一所述第二目标聚类结果，聚合使得对应第二目标聚类结果满足所述第二分布状态的目标商家类，获得基于对应位置区域形成的对于商家的异常群组。
可选地，所述订单信息包括用户信息，所述针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类，包括：
针对每一所述目标区域，根据所对应的交易订单的用户所需的交易对象类别进行用户聚类；
所述根据针对每一所述位置区域的聚类结果，获得所述异常群组，还包括：
在对于用户的所有聚类结果中，筛选出满足第三分布状态的聚类结果作为第三目标聚类结果，其中，所述第三分布状态可以为具有至少一个目标用户类，所述目标用户类为所对应交易对象类别的销售量达到第三设定数量的用户类；
对于每一所述第三目标聚类结果，聚合使得对应第三目标聚类结果满足所述第三分布状态的目标用户类，获得基于对应位置区域形成的对于用户的异常群组。
可选地，所述方法还包括：
检测设定的处理事件；
响应于检测到任意所述处理事件的触发，执行所述获得所述关联数据的步骤。
可选地，所述目标交易订单为在所述交易订单集合中的交易订单。
可选地，所述获得反映所述目标交易订单与关联数据间的匹配度的特征向量，包括：
对于每一所述关联关系，根据所述目标交易订单与对应关联关系间的匹配度，获得所述目标交易订单对于对应关联关系的匹配特征值；
按照设定顺序，排列对于每一所述关联关系的匹配特征值，获得所述特征向量。
可选地，所述至少根据所述特征向量，识别所述目标交易订单是否为风险订单，包括：
至少将所述特征向量输入至识别模型，获得所述目标交易订单是否为风险订单的识别结果。
可选地，所述方法还包括生成所述识别模型的步骤，包括：
获取标准样本；
对至少部分所述标准样本进行扰动，生成对抗样本；
将所述标准样本和所述对抗样本均作为训练样本，进行模型参数的训练，得到所述识别模型。
可选地，所述方法还包括：
在识别所述目标交易订单为风险订单的情况下，对所述目标交易订单对应的商家、商品和用户中的至少一项执行设定的惩罚项。
可选地，所述对所述目标交易订单对应的商家、商品和用户中的至少一项执行设定的惩罚项，包括：
将所述目标交易订单对应的商家和/或用户参与实施风险订单的信息上报至信用监管部门。
根据本发明的第二方面，还提供了一种用于电商平台的订单识别方法，包括：
根据目标交易订单在电商平台上生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量，其中，所述设定订单信息包括商品信息、商家信息和用户信息中的至少一项；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
根据本发明的第三方面，还提供了一种用于信用住平台的订单识别方法，包括：
根据目标交易订单在信用住平台上生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量，其中，所述设定订单信息包括房间信息、商家信息和用户信息中的至少一项；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
根据本发明的第四方面，还提供了一种订单识别方法，由终端设备实施，包括：
获取交易订单的订单信息，其中，所述订单信息包括所述终端设备在交易订单生成时的地理位置信息；
将所述订单信息发送至服务器进行风险订单识别，其中，所述进行风险订单识别包括：根据所述地理位置信息获得所述交易订单在生成时对应的位置区域，根据所述位置区域和所述交易订单的设定订单信息，获得反映所述交易订单与关联数据之间的匹配度的特征向量；以及，至少根据所述特征向量，识别所述交易订单是否为风险订单；所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
响应于所述服务器根据肯定识别结果给出的处理结果，进行关于所述处理结果的提示。
根据本发明的第五方面，还提供了一种基于订单识别的信用处理方法，由终端设备实施，包括：
响应于信用查询请求，获取请求方的信用信息，其中，所述信用信息包括所述请求方参与实施风险订单的信息；
根据获取到的信用信息，生成信用查询报告反馈给所述请求方。
根据本发明的第六方面，还提供了一种订单识别装置，包括：
匹配模块，用于根据目标交易订单在生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
识别模块，用于至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
根据本发明的第七方面，还提供了一种电子设备，包括如本发明的第五方面所述的识别装置，或者，所述电子设备包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如本发明的第一方面至第五方面中任意方面所述的方法。
根据本发明的第七方面，还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，执行如本发明的第一方面至第五方面中任意方面所述的方法。
本发明的一个有益效果在于，本实施例的方法根据目标交易订单与关联数据中各关联关系的匹配情况，识别该目标交易订单是否为风险订单，在此，由于各关联关系均是基于地理位置形成，因此，根据本实施例的方法能够有效识别高度模拟正常交易订单的由真实用户参与的刷单，明显提高了识别风险订单的准确性和时效性。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1a为实施本发明实施例方法的场景示意图；
图1b为可用于实现本发明实施例的订单识别方法的一种风控系统的硬件配置结构图；
图2示出了根据本发明一个实施例的订单识别方法的流程示意图；
图3示出了根据本发明另一实施例的订单识别方法的流程示意图；
图4示出了根据本发明第三实施例的订单识别方法的流程示意图；
图5示出了根据本发明第四实施例的订单识别方法的流程示意图；
图6示出了根据本发明一个实施例的订单识别装置的示意图；
图7示出了根据本发明一个实施例的电子设备的示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人物已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
随着依赖于线上交易的作弊黑色产业的快速发展，目前出现了能够高度模拟正常订单的由真实用户参与的刷单产业，由于这类刷单的高度隐蔽性，现有的风控平台无法有效识别通过该类刷单产生的风险订单。经分析，参见图1a所示，该类刷单存在如下特点，即，订单在生成时的位置集中，以及在特定位置区域内、于相对紧凑的时间内发生大量不相关交易对象(例如商品)的交易行为等，例如，在相对紧凑的时间内，生成了分布在**学校东门区域的大量交易订单，这些交易订单涉及不相关商品或商家的交易行为。本发明实施例即是根据该类刷单存在的上述特点，在进行订单识别时增加了反映该订单与这些特点之间的相似性的特征向量，进而大大提升了能够将地推刷单识别为风险订单的概率，提高风控平台对于风险订单的识别准确率。
参见图1a所示，根据本发明实施例，在用户通过各自的终端设备1200生成交易订单后，任意交易订单可能是正常订单，也可能是虚假订单，终端设备1200需要根据设定将订单信息上传至服务器进行后台处理，该订单信息包括终端设备在交易订单生成时的地理位置信息、交易对象(例如为电商商品、信用住、面对面支付等)、订单发出方信息(也称之为用户信息)和订单接受方信息(也称之为商家信息)等，服务器在获取到终端设备1200上传的订单信息后，会对订单信息进行数据加工，以提取每一交易订单的特征向量输入至识别模型，该识别模型通过样本数据预先训练得到，识别模型根据输入的特征向量，输出表示对应交易订单是否为风险订单的识别结果，进一步地，服务器可以根据对应交易订单是风险订单的识别结果，向相关联的电子设备2000反馈处理结果，该电子设备2000可以包括对应商家的终端设备、对应用户的终端设备、及对应信用监管部门等行政职能部门(例如，公安部、征信中心等)的终端设备或者服务器等，在此不做限定。
图1b为可以应用根据本发明实施例的订单识别方法的一种风控系统的组成结构示意图。
如图1所示，本实施例的风控系统1000包括服务器1100、终端设备1200以及网络1300。
服务器1100例如可以是刀片服务器、机架式服务器等，服务器1100也可以是部署在云端的服务器集群，在此不做限定。该服务器可以是提供线上交易平台服务方的服务器，也可以是以上行政职能部门的服务器，在此不做限定。
如图1所示，服务器1100可以包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150和输入装置1160。处理器1110例如可以是中央处理器CPU等。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括USB接口、串行接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏。输入装置1160例如可以包括触摸屏、键盘等。
本实施例中，服务器1100可用于参与实现根据本发明任意实施例的订单识别方法。
应用于本发明实施例中，服务器1100的存储器1120用于存储指令，所述指令用于控制所述处理器1110进行操作以支持实现根据本发明任意实施例的订单识别方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，尽管在图1中示出了服务器1100的多个装置，但是，本发明实施例的服务器1100可以仅涉及其中的部分装置，例如，只涉及处理器1110和存储器1120。
如图1所示，终端设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、音频输出装置1270、音频输入装置1280，等等。其中，处理器1210可以是中央处理器CPU、微处理器MCU等。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。终端设备1200可以通过音频输出装置1270输出音频信息，该音频输出装置1270例如包括扬声器。终端设备1200可以通过音频拾取装置1280拾取用户输入的语音信息，该音频拾取装置1280例如包括麦克风。
终端设备1200可以是智能手机、便携式电脑、台式计算机、平板电脑等可以支持使用电商平台应用的任意设备。
本实施例中，终端设备1200可用于在生成交易订单时，获取该交易订单在生成时的地理位置信息，并将该地理位置信息与其他订单信息一起发送至服务器1100，以供服务器1100根据该交易订单的这些订单信息，识别其是否为风险订单。
应用于本发明的实施例中，终端设备1200的存储器1220用于存储指令，所述指令用于控制所述处理器1210进行操作以支持实现根据本发明任意实施例的订单识别方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，尽管在图1中示出了终端设备1200的多个装置，但是，本发明实施例的终端设备1200可以仅涉及其中的部分装置，例如，只涉及处理器1210、存储器1220、显示装置1250、输入装置1260等。
通信网络1300可以是无线网络也可以是有线网络，可以是局域网也可以是广域网。终端设备1200可以通过通信网络1300与服务器1100进行通信。
图1所示的风控系统1000仅是解释性的，并且决不是为了要限制本发明、其应用或用途。例如，尽管图1仅示出一个服务器1100和一个终端设备1200，但不意味着限制各自的数量，风控系统1000中可以包含多个服务器1100和/或多个终端设备1200。
<方法实施例>
本实施例提供了一种订单识别方法，该方法例如可以由图1中的服务器实施。如图2所示，该方法包括以下步骤S1100-S1200：
步骤S1100，根据目标交易订单在生成时对应的位置区域和目标交易订单的设定订单信息，获得反映目标交易订单与关联数据之间的匹配度的特征向量；其中，该关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系。
本实施例中的交易订单即为：买家通过线上平台购买商品时所生成的线上订单。
该线上平台例如可以是电商平台，也可以是提供信用住的平台，还可以是提供面对面支付的平台等，在此不做限定。
在线上平台为电商平台的情况下，该交易订单的交易对象即为商品。在线上平台为提供信用住的平台的情况下，该交易订单的交易对象即为入住房间。在线上平台为提供面对面支付的平台的情况下，该交易订单的交易对象即为虚拟货币。
本实施例中，交易订单在生成时对应的位置区域可以根据对应终端设备在该交易订单生成时的地理位置信息确定。
对应终端设备在该交易订单生成时的地理位置信息可以由该终端设备的定位装置提供，也可以根据终端设备在该交易订单生成时的IP地址确定，在此不做限定。对应地，买家在通过终端设备生成交易订单时，终端设备会从定位装置或者根据当前的IP地址获取自身的地理位置信息，并将该地理位置信息作为交易订单的一部分订单信息上传至服务器，服务器可以根据该地理位置信息确定该交易订单在生成时对应的位置区域。
本实施例中，各个位置区域可以根据设定的标尺划分得到，例如以街道为标尺划分得到，或者以网格为标尺划分得到等。对于网格，可以预先设定网格尺寸，例如设定100mⅹ100m的网格，并按照网格尺寸对目标地域范围进行划分，得到各个位置区域。
在一个实施例中，本发明方法在该步骤S1100之前还可以包括：获取目标交易订单在生成时对应的地理位置信息，并根据该地理位置信息确定该目标交易订单在生成时对应的位置区域。
该实施例中，终端设备可将地理位置信息作为订单信息的一部分上传至服务器，以供服务器确定该目标交易订单在生成时对应的位置区域。
本实施例中，对于在电商平台上生成的交易订单，该设定订单信息例如可以包括商品信息、商家信息和用户信息中的任意一项或者多项。该设定订单信息还可以包括其他订单信息，在此不做限定。
本实施例中，对于在提供信用住的平台上生成的交易订单，该设定订单信息例如可以包括入住房间信息、商家信息和用户信息中的任意一项或者多项。该设定订单信息还可以包括其他订单信息，在此不做限定。
本实施例中，对于设定订单信息的异常群组是基于地理位置形成的对于设定订单信息的异常群组，因此，可以在位置区域与异常群组之间产生关联关系。这说明，对于关联数据中的任意异常群组，同一群组内的所有成员均与同一位置区域相关联，例如，关联数据中的一对于交易对象的异常群组，同一群组内的每一交易对象所在的交易订单在生成时对应的位置区域为同一位置区域，即，同一群组内的每一交易对象均与同一位置区域相关联。
本实施例中，异常群组可以包括基于地理位置形成的对于交易对象的异常群组、基于地理位置形成的对于商家的异常群组、及基于地理位置形成的对于用户的异常群组中的至少一项或者多项。
在异常群组包括对于交易对象的异常群组的情况下，关联数据包括对于交易对象的异常群组与位置区域间的关联关系，称为第一关联关系。例如，对于交易对象的第一异常群组对应于第一位置区域，即，对于交易对象的第一异常群组与第一位置区域具有关联关系。以交易对象为商品为例，关联数据包括对于商品的异常群组与位置区域间的关联关系，作为第一关联关系。在异常群组包括对于商家的异常群组的情况下，关联数据包括对于商家的异常群组与位置区域间的关联关系，称为第二关联关系。例如，对于商家的第一异常群组对应于第一位置区域，即，对于商家的第一异常群组与第一位置区域具有关联关系。
在异常群组包括对于用户的异常群组的情况下，关联数据包括对于用户的异常群组与位置区域间的关联关系，称为第三关联关系。例如，对于用户的第一异常群组对应于第一位置区域，即，对于用户的第一异常群组与第一位置区域具有关联关系。
在异常群组包括对于交易对象的异常群组、对于商家的异常群组、及对于用户的异常群组中的至少两项时，这些异常群组之间也可以基于对应同一位置区域，产生关联关系。
本实施例中，由于特征向量反映目标交易订单与关联数据之间的匹配度，因此，该特征向量也即为有关地理位置的特征向量。
在一个例子中，获得反映目标交易订单与关联数据之间的匹配度的特征向量，可以包括以下步骤S1110和步骤S1120：
步骤S1110，对于每一关联关系，根据目标交易订单与对应关联关系间的匹配度，获得目标交易订单对于对应关联关系的匹配特征值。
本实施例中，可以设置匹配成功的特征值为1，匹配失败的特征值为0，这样，便可以最终获得由0和/或1组成的特征向量。
例如，可以先判断目标交易订单在生成时对应的第一位置区域是否为具有异常群组的位置区域，如否，则对于每一关联关系的匹配特征值均将为0；如是，则进行下一步的匹配操作，可以包括以下任意一项或者多项：
第一项：该目标交易订单的交易对象或者交易对象类别是否属于对应第一位置区域的对于交易对象的异常群组，如是，则说明目标交易订单在进行与第一关联关系的匹配中，匹配成功，相应的匹配特征值为1；如否，则说明目标交易订单在进行与第一关联关系的匹配中，匹配失败，相应的匹配特征值为0。
第二项：该目标交易订单的商家是否属于对应第一位置区域的对于商家的异常群组，如是，则说明目标交易订单在进行与第二关联关系的匹配中，匹配成功，相应的匹配特征值为1；如否，则说明目标交易订单在进行与第二关联关系的匹配中，匹配失败，相应的匹配特征值为0。
第三项：该目标交易订单的用户是否属于对应第一位置区域的对于用户的异常群组，如是，则说明目标交易订单在进行与第三关联关系的匹配中，匹配成功，相应的匹配特征值为1；如否，则说明目标交易订单在进行与第三关联关系的匹配中，匹配失败，相应的匹配特征值为0。
另外，本实施例中，还可以增加一个匹配特征值反映第一位置区域是否为具有异常群组的位置区域，即，在最终获得的特征向量中，包含该增加的匹配特征值。
步骤S1120，按照设定顺序，排列对于每一关联关系的匹配特征值，获得该特征向量。
该步骤S1120中，例如特征向量为nⅹ1的多维向量，其中，n代表匹配特征值的数量，在关联数据包括第一关联关系、第二关联关系和第三关联关系的情况下，n的取值大于或者等于3。
步骤S1200，至少根据步骤S1100获得的该特征向量，识别该目标交易订单是否为风险订单。
本实施例中，可以预先设置反映输入向量与识别结果间对应关系的映射数据，其中，该输入向量包括特征向量，以至少根据步骤S1100获得的该特征向量和该映射数据，识别该目标交易订单是否为风险订单。
本实施例中，该输入向量除以上特征向量之外，还可以包括有关用户行为、商家时序、交易对象属性等特征，在此不做限定。
在一个实施例中，步骤S1200中至少根据步骤S1100获得的该特征向量，识别该目标交易订单是否为风险订单，可以包括：至少将根据步骤S1100获得的特征向量输入至识别模型，以通过识别模型获得目标交易订单是否为风险订单的识别结果。
该识别模型可以是各种神经网络模型，例如是深度神经网络模型DNN，在此不做限定，该识别模型根据样本数据预先训练得到，以供进行风险订单的识别。
根据以上步骤S1100和步骤S1200，本实施例的方法根据目标交易订单与关联数据中各关联关系的匹配情况，识别该目标交易订单是否为风险订单，在此，由于各关联关系均是基于地理位置形成，因此，根据本实施例的方法能够有效识别高度模拟正常交易订单的由真实用户参与的刷单，例如在电商平台中存在的隐蔽性极高的地推刷单，明显提高了风险订单识别的准确性和时效性。
服务器在根据本实施例的方法识别一目标交易订单为风险订单的情况下，可以对该目标交易订单对应的商家、交易对象和用户中的至少一项执行设定的惩罚项，例如，该惩罚项可以包括降低商家的等级；又例如，该惩罚项可以包括对交易对象降权，以使得该交易对象的推荐权重降低；再例如，该惩罚项可以包括降低用户的等级，或者封闭用户的账号等，在此不做限定。
在一个实施例中，该对该目标交易订单对应的商家、交易对象和用户中的至少一项执行设定的惩罚项还可以包括：将目标交易订单对应的商家和/或用户参与实施风险订单的信息上报至信用监管部门。
该信用监管部门例如是公安部、信用或者征信中心等有资质提供个人或者企业信用查询的部门。
本实施例可以进一步包括：在目标交易订单对应的商家和/或用户参与实施风险订单的数量达到设定数量的情况下，再将目标交易订单对应的商家和/或用户参与实施风险订单的信息上报至信用监管部门。
根据该实施例，在线上交易平台将商家和/或用户参与实施风险订单的信息上报给信用监管部门的情况下，商家和/或用户参与实施风险订单的行为就会影响对应商家和/或用户的征信评级，以此提高商家和/或用户参与实施风险订单的惩罚力度。
图3示出了根据本发明另一实施例的订单识别方法的流程示意图。
根据图3所示，本实施例在图2所示实施例的基础上，提供了一种可供选择的获得以上关联数据的方法，该方法包括如下步骤S3100～S3300：
步骤S3100，获取交易订单集合中每一交易订单在生成时对应的位置区域。
该获取交易订单集合中每一交易订单在生成时对应的位置区域的实施就可以与以上的获取目标交易订单在生成时对应的位置区域相同，在此不再赘述。
本实施例中，步骤S3100中获取的交易订单集合可以包括在执行该获取操作时已生成的所有交易订单；也可以包括在设定时间范围内生成的交易订单，例如，包括在执行获取操作的当天、当周等生成的所有交易订单，又例如，包括在距离执行获取操作的当前时间的设定时间长度内生成的交易订单等，在此不做限定。
以上目标交易订单可以属于该交易订单集合，也可以不属于该交易订单集合，在此不做限定。在目标交易订单属于该交易订单集合的情况下，对于该目标交易订单的识别将具有更强的针对性，从而具有更高的准确性。
步骤S3200，根据每一交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组。
该设定订单信息例如可以包括交易对象信息、商家信息和买家信息中的任意一项或者多项。该设定订单信息还可以包括其他订单信息，在此不做限定。
本实施例中，基于地理位置形成的对于设定订单信息的异常群组，也即为，对于所获得的任意异常群组，同一群组内的所有成员均与同一位置区域相关联，例如，对于所获得的交易对象的异常群组，同一群组内的每一交易对象所在的交易订单在生成时对应的位置区域为同一位置区域，即，同一群组内的每一交易对象均与同一位置区域相关联。
为了减少获得异常群组的数据处理量，以加快对于风险订单识别的处理和响应速度，对于步骤S3100获取到的所有交易订单，可以先根据各自对应的位置区域筛选出集中分布的交易订单，作为高危订单，并进一步根据高危订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组。因此，在一个例子中，步骤S3200中根据每一交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组，可以包括如下步骤S3211和步骤S3212：
步骤S3211，根据每一交易订单对应的位置区域，获得满足设定的订单集中分布要件的位置区域，作为目标区域。
该订单集中分布要件例如可以是：在设定时间窗口内的交易订单数量达到设定数量。本实施例中，“达到”的含义均为大于或者等于。
该设定时间窗口可以以小时为单位，也可以采用其他时间单位，在此不做限定，例如，设定时间窗口为2小时、4小时等。
针对以上订单集中分布要件，该步骤S3211可以为：根据每一交易订单对应的位置区域，获得在设定时间窗口内的交易订单数量达到设定数量的位置区域，作为目标区域。
该设定数量可以根据在设定时间窗口内、于同一位置区域可能生成的交易订单的合理数量进行确定，例如，该设定数量可以为大于该合理数量的数值，在此不做限定。
在执行该步骤S3211的过程中，对于任意的位置区域，可以将对应的交易订单按照生成时间顺序排列，得到订单序列，然后通过设定时间窗口在订单序列上滑动，如果存在至少一个满足订单集中分布要件的滑动位置，则该位置区域满足该订单集中分布要件。
步骤S3212，根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于该设定订单信息的异常群组。
本例子中，目标区域中的交易订单也即为可能成为风险订单的目标订单。
例如，设定订单信息包括交易对象信息，该步骤S3212中根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于该设定订单信息的异常群组可以包括：根据每一目标区域中交易订单的交易对象的分布情况，获得基于地理位置形成的对于交易对象的异常群组。
又例如，设定订单信息包括商家信息，该步骤S3212中根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于该设定订单信息的异常群组可以包括：根据每一目标区域中交易订单的商家的分布情况，获得基于地理位置形成的对于商家的异常群组。
再例如，设定订单信息包括用户信息，该步骤S3212中根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于该设定订单信息的异常群组可以包括：根据每一目标区域中交易订单的用户的分布情况，获得基于地理位置形成的对于用户的异常群组。
该步骤S3212可以通过对目标区域中交易订单的设定订单信息进行聚类分析，来获得基于地理位置形成的对于该设定订单信息的异常群组。因此，在一个例子中，该步骤S3212可以包括：针对每一目标区域，对所对应的交易订单的设定订单信息进行聚类；以及，根据针对每一目标区域的聚类结果，获得该异常群组。
本例子中，设定订单信息可以包括一个订单信息，也可以包括多个订单信息。对于设定订单信息中的一个特定信息，例如，对于交易对象信息，一个目标区域可以对应一个聚类结果，一个聚类结果可以包括分成的多个类。
例如，设定订单信息包括交易对象信息、商家信息和用户信息，则本例子中可以分别对其中的每一信息进行聚类，以对于每一目标区域，获得三个聚类结果，分别为对于交易对象的聚类结果、对于商家的聚类结果和对于用户的聚类结果，且每个聚类结果又包含聚类中产生的多个类，以交易对象为商品为例，对于交易对象的聚类结果中可以包含连衣裙类、家装建材类、男士休闲裤类、太阳镜类等等。
本例子中，对于任意的目标区域，对所对应的交易订单的设定订单信息进行聚类可以是：将所对应的交易订单的设定订单信息分成由类似对象组成的多个类，例如，设定订单信息包括交易对象信息，聚类得到的交易对象类包括连衣裙类，家装建材类等。
本例子中，在聚类时，对类似对象的判定不仅可以要求对于特定信息的类别类似，还可以在此基础上要求对应的订单生成时间类似，该时间类似例如可以是对应的订单生成时间集中在某一时间段。这样，对于聚类得到的一个交易对象类中的交易对象，无论是对象类型还是对应交易生成时间，将均具有相似性，例如，聚类得到的一个对象类中，对象类型为连衣裙类，且对应的订单生成时间集中在14:00点至16:00的下午时间段。
本例子中，可以根据步骤S3100中获取到的交易订单的时间长度，确定是否需要增加时间类似进行聚类。在步骤S3100中获取到的交易订单的时间长度较短时，例如，获取的是执行该操作的当天生成的交易订单，获取到的交易订单对于设定订单信息而言，本身即具有时间类似的特点，因此，可以直接根据特定信息的类别类似进行聚类。
本例子中，设定订单信息可以包括例如是商品信息的交易对象信息，则可以针对每一目标区域，对所对应的交易订单涉及的交易对象进行聚类。进一步地，在根据针对每一目标区域的聚类结果，获得异常群组时，可以包括以下步骤S3212-A1和步骤S3212-A2：
步骤S3212-A1，在对于交易对象的所有聚类结果中，筛选出满足第一分布状态的第一目标聚类结果，其中，该第一分布状态为具有交易对象类别不同的至少两个目标对象类，该目标对象类为其中的交易对象数量达到第一设定数量的对象类。
例如，筛选出的一个第一目标聚类结果具有对象类别不同的两个目标对象类，分别为连衣裙类和家装建材类。
本例子中，如果增加了时间类似性进行交易对象聚类，则第一分布状态还可以为具有对象类别不同、但时间类别相同或相近的至少两个目标对象类。该时间类别相同可以指这些目标对象类所属的时间类别相同，即，对应的时间范围相同。该时间类别相近可以指这些目标对象类对应的时间范围的重叠度达到设定值。
步骤S3212-A2，对于每一第一目标聚类结果，聚合使得对应第一目标聚类结果满足该第一分布状态的目标对象类，获得基于对应位置区域形成的对于交易对象的异常群组。
例如，根据步骤S3212-A1判定对应第一位置区域的聚类结果包括第一目标聚类结果，使得该聚类结果满足第一分布状态进而成为第一目标聚类结果的目标对象类包括连衣裙类和家装建材类，因此，根据步骤S3212-A2，可以获得基于第一位置区域形成的对于交易对象的异常群组包括连衣裙类和家装建材类。
本例子中，由于不相关交易对象的大量交易行为发生在同一位置区域，例如，包含某城市某某大学东门的位置区域，包含某城市特定地铁站口的位置区域，且存在时间紧凑性的概率极低，因此，第一分布状态反映了集中刷单的特点，根据该第一分布状态建立第一关联关系，将能够在交易对象的维度上识别由真实用户参与的集中刷单。
本例子中，设定订单信息可以包括商家信息，则可以针对每一目标区域，对所对应的交易订单涉及的商家进行聚类，例如，根据商家提供的交易对象类别进行商家聚类，即一个商家类中的所有商家提供的交易对象类别应该相同。进一步地，在根据针对每一目标区域的聚类结果，获得异常群组时，可以包括以下步骤S3212-B1和步骤S3212-B2：
步骤S3212-B1，在对于商家的所有聚类结果中，筛选出满足第二分布状态的聚类结果作为第二目标聚类结果，其中，该第二分布状态为具有商家类别不同的至少两个目标商家类，目标商家类为对于对应交易对象类别的销售量达到第二设定数量的商家类。
例如，筛选出的一个第二目标聚类结果具有商家类别不同的两个目标商家类，分别为销售连衣裙的商家类和销售家装建材的商家类。
本例子中，如果增加了时间类似性进行商家聚类，则第二分布状态还可以为具有商家类别不同、但时间类别相同或相近的至少两个目标商家类。该时间类别相同可以指这些目标商家类所属的时间类别相同，即，这些目标商家类所属的交易订单的生成时间在同一时间范围内。该时间类别相近可以指这些目标对象类对应的时间范围的重叠度达到设定值。
步骤S3212-B2，对于每一第二目标聚类结果，聚合使得对应第二目标聚类结果满足该第二分布状态的目标商家类，获得基于对应位置区域形成的对于商家的异常群组。
例如，根据步骤S3212-B1判定对应第一位置区域的聚类结果包括第二目标聚类结果，使得该聚类结果满足第二分布状态进而成为第二目标聚类结果的目标商家类包括销售连衣裙的商家类和销售家装建材的商家类，因此，根据步骤S3212-B2，可以获得基于第一位置区域形成的对于商家的异常群组包括销售连衣裙的商家类和销售家装建材的商家类。
与第一分布状态类似，第二分布状态也反映了由真实用户参与的集中刷单的特点，因此，根据该第二分布状态建立第二关联关系，将能够在商家的维度上识别该种刷单，例如识别地推刷单。
本例子中，设定订单信息可以包括用户信息，则可以针对每一目标区域，对所对应的交易订单涉及的用户进行聚类，例如，根据用户购买的交易对象类别进行用户聚类。进一步地，在根据针对每一目标区域的聚类结果，获得异常群组时，可以包括以下步骤S3212-C1和步骤S3212-C2：
步骤S3212-C1，在对于用户的所有聚类结果中，筛选出满足第三分布状态的聚类结果作为第三目标聚类结果，其中，该第三分布状态可以为具有至少一个目标用户类，该目标用户类为所对应交易对象类别的销售量达到第三设定数量的用户类，该目标用户类还可以进一步为对应至少两个对象类别，即该目标用户类中的用户均购买了该至少两个对象类别的商品。
在设定订单信息还包括交易对象信息的情况下，该目标用户类所对应的交易对象类别可以为对应同一目标区域的目标对象类的对象类别。
例如，筛选出的一个聚类结果中，存在一个同时购买了连衣裙和家装建材的用户类，且连衣裙和家装建材在对应位置区域的销售量均达到了第三设定数量，因此，该用户类为目标用户类，该聚类结果为第三目标聚类结果。
步骤S3212-C2，对于每一第三目标聚类结果，聚合使得对应第三目标聚类结果满足该第三分布状态的目标用户类，获得基于对应位置区域形成的对于用户的异常群组。
与第一分布状态类似，第三分布状态也反映了集中刷单的特点，因此，根据该第三分布状态建立第三关联关系，将能够在用户的维度上识别由真实用户参与的集中刷单。
步骤S3300，建立每一异常群组与所对应的位置区域间的关联关系，获得步骤S1100中需要使用的关联数据。
本实施例中，建立的关联关系可以包括以上第一关联关系、第二关联关系和第三关联关系中的一种或者多种。
本实施例中，可以在获得关联数据后，执行识别订单集合中每一交易订单是否为风险订单的操作。
根据以上步骤S3100～S3300，本实施例的方法以交易订单集合中大量交易订单所在的每一位置区域为单位，分析每一位置区域中交易订单的设定订单信息的分布情况，并根据该分布情况，获得基于地理位置形成的对于设定订单信息的异常群组，进而在异常群组与位置区域之间建立相应的关联关系，得到符合由真实用户参与的集中刷单特点的关联数据，进而在进行订单风险识别时，能够通过增加以上特征向量来有效地识别出属于由真实用户参与的集中刷单(例如地推刷单)的交易订单。
在一个实施例中，本发明方法还可以包括如下步骤：检测设定的处理事件；以及，响应于检测到任意处理事件的触发，执行图3所示实施例中获得关联数据的操作。
本实施例中，可以设定至少一个处理事件，该至少一个处理事件例如包括设定时间到时、接收到外部指令等，在此不做限定。
根据本实施例，可以预先设置用于触发执行获得关联数据操作的处理事件，以在检测到处理事件时自动执行获得关联数据的操作，并进一步执行基于该关联数据的风险订单识别操作。
在一个实施例中，本发明方法还可以包括如下步骤：提供设置入口；获取并保存通过设置入口输入的以上任意一个或者多个设定数量的数值。
在另外的实施例中，以上至少一种设定数量的数值也可以采用默认的固定值，在此不做限定。
根据本实施例的方法，可以支持操作人员根据实际情况通过预设的设置入口调整各种设定数量的数值，提高应用的灵活性。
在一个实施例中，以上步骤S1200中至少根据该特征向量，识别该目标交易订单是否为风险订单，可以包括：至少将特征向量输入至识别模型，获得目标交易订单是否为风险订单的识别结果。
本实施例中，输入至识别模型的输入向量，除包含上述的反映目标交易订单与关联数据之间的匹配度的特征向量之外，还可以包含其他维度的特征，例如，还可以包含有关用户行为、商家时序、交易对象属性等特征。
本实施例的方法还包括生成该识别模型的步骤，可以包括：获取标准样本；对至少部分标准样本进行扰动，生成对抗样本；以及，将该标准样本和对抗样本均作为训练样本，进行模型参数的训练，得到该识别模型。
本实施例中，正常样本包括正样本和负样本，正样本为属于风险订单的样本，负样本为不属于风险订单的样本，正常样本为传统模型训练中使用的订单样本。
对于传统的识别模型，刷单者如果人为扰动模型的具体维度特征，例如：将用户行为点击特征进行扰动，增加交易发生前的行为点击频率，将用户浏览时长特征进行扰动，和/或增加交易发生前的用户浏览时间等，则识别模型对于风险订单的识别准确率和召回率将大幅下降。因此，在本实施例中，增加了扰动样本参与模型训练，以提升识别模型的鲁棒性和健壮性，以在刷单者尽管增加人为扰动的情况下，也能够准确识别出风险订单。
本实施例中，该对抗样本可以包括针对以上匹配特征值进行扰动的对抗样本，和/或针对输入向量中其他特征进行扰动的对抗样本，例如，包括针对用户行为进行扰动的对抗样本等，在此不做限定。
本实施例中，可以在正常样本的基础上，基于迭代梯度信号算法生成对抗样本，也可以基于其他算法生成对抗样本，在此不做限定。
本实施例在通过训练样本进行模型参数的训练，以得到该识别模型的步骤中，可以先对训练样本进行数据加工，以提取每一训练样本的输入向量，该输入向量包含反映目标交易订单与关联数据之间的匹配度的特征向量，还可以包含有关用户行为、商家时序、交易对象属性等的特征，在此不做限定；之后，可以根据提取到的训练样本的输入向量及训练样本是否属于风险订单的真实结果，训练设定模型的参数，进而得到识别模块以供线上订单识别使用。
图4是根据本发明又一实施例的订单识别方法的流程示意图，本实施例由终端设备实施，例如由登录用户账号的终端设备1200实施。
如图4所示，本实施例的方法可以包括如下步骤S4100～S4200：
步骤S4100，获取交易订单的订单信息，其中，该订单信息包括终端设备在交易订单生成时的地理位置信息。
本实施例中，终端设备在交易订单生成时，将获取交易订单的订单信息发送至服务器。
该地理位置信息可以由终端设备的定位装置提供，例如由终端设备的GPS定位装置提供，也可以根据终端设备在交易订单生成时的IP地址确定，在此不做限定。
该订单信息还可以包括交易对象信息、商家信息、用户信息等。
步骤S4200，将订单信息发送至服务器进行风险订单识别。
本实施例中，服务器进行风险订单识别可以包括：根据接收到的地理位置信息获得该交易订单在生成时对应的位置区域，根据该位置区域和交易订单的设定订单信息，获得反映该交易订单与关联数据之间的匹配度的特征向量；以及，至少根据该特征向量，识别该交易订单是否为风险订单。
本实施例中，关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系。
以上服务器进行风险订单识别的步骤可以参见以上方法实施例，在此不再赘述。
服务器在获得该交易订单为风险订单的识别结果的情况下，会对该交易订单对应的商家、交易对象和用户中的至少一项执行设定的惩罚项，并向对应的终端设备反馈相应的处理结果，例如向登录商家账号的终端设备反馈对于商家和/或商品的处理结果，而向登录用户账号的终端设备反馈对于用户的处理结果。
步骤S4300，响应于服务器根据肯定识别结果给出的处理结果，进行关于该处理结果的提示。
本实施例中，对于登录用户账号的终端设备，可以进行关于相应处理结果的提示，以使用户可以获知该相应的处理结果，并可以进一步提供使得用户能够根据该提示向电商平台进行申诉的申诉入口。
图5是根据本发明又一实施例的基于订单识别的信用处理方法的流程示意图，本实施例中，例如是由对应信用监管部门的电子设备实施该信用处理方法。
该电子设备可以是对应信用监管部门的终端设备，也可以是对应信用监管部门的服务器，在此不做限定。
如图5所示，本实施例的信用处理方法可以包括如下步骤S5100和步骤S5200：
步骤S5100，响应于信用查询请求，获取请求方的信用信息，其中，该信用信息包括请求方参与实施风险订单的信息。
该请求方可以是个人，也可以是企业，在此不做限定。
本实施例中，该信用查询请求可以经由对应信用监管部门的终端设备触发，终端设备可以从对应信用监管部门的服务器或者对应线上交易平台的服务器获取请求方参与实施风险订单的信息。
本实施例中，该信用查询请求也可以经由请求方的终端设备触发，其中，请求方的终端设备安装有信用监管部门提供的信用查询应用，或者可以登录信用监管部门的网页应用。信用监管部门的服务器响应于该信用查询请求，从自身的数据库或者从对应线上交易平台的服务器，获取请求方参与实施风险订单的信息，以形成请求方的信用信息。
本实施例中，请求方参与实施风险订单的信息由对应线上交易平台的服务器根据上述的图2所示的实施例获得，在此不再赘述。
步骤S5200，根据获取到的信用信息，生成信用查询报告反馈给请求方。
根据该步骤，例如可以由信用监管部门的的服务器发送至请求方触发信用查询请求的终端设备；又例如，也可以由信用监管部门的终端设备生成并显示该信用查询报告，以供打印该报告。
根据本实施例，任何用户和/或商家参与实施风险订单，将会影响对应用户和/或商家的征信评级，进而加大参与刷单的惩罚力度。
<装置实施例>
本实施例提供一种订单识别装置，该装置例如是图6所示的订单识别装置600，该订单识别装置600包括匹配模块610和识别模块620。
该匹配模块610用于根据目标交易订单在生成时对应的位置区域和目标交易订单的设定订单信息，获得反映目标交易订单与关联数据之间的匹配度的特征向量；其中，关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系。
例如，该匹配模块610用于根据目标交易订单在电商平台上生成时对应的位置区域和该目标交易订单的设定订单信息，获得反映该目标交易订单与关联数据之间的匹配度的特征向量，其中，该设定订单信息包括商品信息(对象信息)、商家信息和用户信息中的至少一项。
又例如，该匹配模块610用于根据目标交易订单在信用住平台上生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映目标交易订单与关联数据之间的匹配度的特征向量，其中，该设定订单信息包括房间信息(对象信息)、商家信息和用户信息中的至少一项。
该识别模块620用于至少根据特征向量，识别目标交易订单是否为风险订单。
在一个实施例中，订单识别装置600还包括关联数据获取模块。
该关联数据获取模块可以用于：获取交易订单集合中交易订单在生成时对应的位置区域；根据每一交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组；建立每一异常群组与所对应的位置区域间的关联关系，获得关联数据。在一个实施例中，关联数据获取模块在根据每一交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组时，可以用于：根据每一交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域，作为目标区域；根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于设定订单信息的异常群组。
在一个实施例中，关联数据获取模块在根据每一交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域时：可以用于根据每一交易订单对应的位置区域，获得在设定时间窗口内的交易订单数量达到设定数量的位置区域，作为满足设定的订单聚集要求的位置区域。
在一个实施例中，关联数据获取模块在根据每一目标区域中交易订单的设定订单信息的分布情况，获得基于地理位置形成的对于设定订单信息的异常群组时，可以用于：针对每一目标区域，对所对应的交易订单的设定订单信息进行聚类；根据针对每一目标区域的聚类结果，获得异常群组。
在一个实施例中，关联数据获取模块在根据针对每一目标区域的聚类结果，获得异常群组时，可以用于：在对于交易对象的所有聚类结果中，筛选出满足第一分布状态的第一目标聚类结果，其中，第一分布状态为具有交易对象类别不同的至少两个目标对象类，目标对象类为其中的交易对象数量达到第一设定数量的对象类；对于每一第一目标聚类结果，聚合使得对应第一目标聚类结果满足第一分布状态的目标对象类，获得基于对应位置区域形成的对于交易对象的异常群组。
在一个实施例中，关联数据获取模块在对所对应的交易订单的设定订单信息进行聚类时，可以用于：针对每一目标区域，对所对应的交易订单涉及的商家销售的交易对象类别进行商家聚类；以及，在根据针对每一目标区域的聚类结果，获得异常群组时，可以用于：在对于商家的所有聚类结果中，筛选出满足第二分布状态的聚类结果作为第二目标聚类结果，其中，第二分布状态为具有商家类别不同的至少两个目标商家类，目标商家类为对于对应交易对象类别的销售量达到第二设定数量的商家类；对于每一第二目标聚类结果，聚合使得对应第二目标聚类结果满足第二分布状态的目标商家类，获得基于对应位置区域形成的对于商家的异常群组。
在一个例子中，关联数据获取模块在对所对应的交易订单的设定订单信息进行聚类时，可以用于：针对每一目标区域，根据所对应的交易订单的用户所需的交易对象类别进行用户聚类；以及，在根据针对每一目标区域的聚类结果，获得异常群组时，可以用于：在对于用户的所有聚类结果中，筛选出满足第三分布状态的聚类结果作为第三目标聚类结果，其中，第三分布状态可以为具有至少一个目标用户类，目标用户类为所对应交易对象类别的销售量达到第三设定数量的用户类；对于每一第三目标聚类结果，聚合使得对应第三目标聚类结果满足第三分布状态的目标用户类，获得基于对应位置区域形成的对于用户的异常群组。
在一个实施例中，关联数据获取模块还可以用于：检测设定的处理事件；响应于检测到任意处理事件的触发，执行获得关联数据的步骤。
在一个实施例中，目标交易订单为在交易订单集合中的交易订单。
在一个实施例中，该匹配模块610在获得反映目标交易订单与关联数据之间的匹配度的特征向量时，可以用于：对于每一关联关系，根据目标交易订单与对应关联关系间的匹配度，获得目标交易订单对于对应关联关系的匹配特征值；按照设定顺序，排列对于每一关联关系的匹配特征值，获得特征向量。
在一个实施例中，识别模块620在至少根据特征向量，识别目标交易订单是否为风险订单时，可以用于：至少将特征向量输入至识别模型，获得目标交易订单是否为风险订单的识别结果。
在一个实施例中，订单识别装置600还可以包括识别模型生成模块，该识别模型生成模块用于：获取标准样本；对至少部分标准样本进行扰动，生成对抗样本；将标准样本和对抗样本均作为训练样本，进行模型参数的训练，得到识别模型。
在一个实施例中，订单识别装置600还可以包括惩罚处理模块，该惩罚处理模块用于：在识别目标交易订单为风险订单的情况下，对目标交易订单对应的商家、交易对象和用户中的至少一项执行设定的惩罚项。
在一个实施例中，该惩罚处理模块在对目标交易订单对应的商家、交易对象和用户中的至少一项执行设定的惩罚项时，可以用于将所述目标交易订单对应的商家和/或用户参与实施风险订单的信息上报至信用监管部门。
<设备实施例>
本实施例提供一种电子设备，该电子设备包括本发明装置实施例中描述的识别装置；或者，该电子设备为图7所示的电子设备700，包括：
存储器710，用于存储可执行命令。
处理器720，用于在存储器710存储的可执行命令的控制下，执行本发明任意方法实施例中描述的方法。
在电子设备根据所执行的方法实施例的实施主体，可以是服务器，也可以是终端设备。
<计算机可读存储介质实施例>
本实施例提供一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本发明任意方法实施例中描述的方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (22)
1.一种订单识别方法，包括：
根据目标交易订单在生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
2.根据权利要求1所述的方法，其中，所述方法还包括获得所述关联数据的步骤，包括：
获取交易订单集合中交易订单在生成时对应的位置区域；
根据每一所述交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组；
建立每一所述异常群组与所对应的位置区域间的关联关系，获得所述关联数据。
3.根据权利要求2所述的方法，其中，所述根据每一所述交易订单对应的位置区域，获得基于地理位置形成的对于设定订单信息的异常群组，包括：
根据每一所述交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域，作为目标区域；
根据每一所述目标区域中交易订单的所述设定订单信息的分布情况，获得基于地理位置形成的对于所述设定订单信息的异常群组。
4.根据权利要求3所述的方法，其中，所述根据每一所述交易订单对应的位置区域，获得满足设定的订单聚集要求的位置区域，包括：
根据每一所述交易订单对应的位置区域，获得在设定时间窗口内的交易订单数量达到设定数量的位置区域，作为满足设定的订单聚集要求的位置区域。
5.根据权利要求3所述的方法，其中，所述根据每一所述目标区域中交易订单的所述设定订单信息的分布情况，获得基于地理位置形成的对于所述设定订单信息的异常群组，包括：
针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类；
根据针对每一所述目标区域的聚类结果，获得所述异常群组。
6.根据权利要求5所述的方法，其中，所述设定订单信息包括交易对象信息，所述根据针对每一所述目标区域的聚类结果，获得所述异常群组，包括：
在对于交易对象的所有聚类结果中，筛选出满足第一分布状态的第一目标聚类结果，其中，所述第一分布状态为具有对象类别不同的至少两个目标对象类，所述目标对象类为其中的交易对象数量达到所述第一设定数量的对象类；
对于每一所述第一目标聚类结果，聚合使得对应第一目标聚类结果满足所述第一分布状态的目标对象类，获得基于对应位置区域形成的对于交易对象的异常群组。
7.根据权利要求5所述的方法，其中，所述订单信息包括商家信息，所述针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类，包括：
针对每一所述目标区域，对所对应的交易订单涉及的商家提供的交易对象类别进行商家聚类；
所述根据针对每一所述目标区域的聚类结果，获得所述异常群组，包括：
在对于商家的所有聚类结果中，筛选出满足第二分布状态的聚类结果作为第二目标聚类结果，其中，所述第二分布状态为具有商家类别不同的至少两个目标商家类，目标商家类为对于对应交易对象类别的销售量达到第二设定数量的商家类；
对于每一所述第二目标聚类结果，聚合使得对应第二目标聚类结果满足所述第二分布状态的目标商家类，获得基于对应位置区域形成的对于商家的异常群组。
8.根据权利要5所述的方法，其中，所述订单信息包括用户信息，所述针对每一所述目标区域，对所对应的交易订单的所述设定订单信息进行聚类，包括：
针对每一所述目标区域，根据所对应的交易订单的用户所需的交易对象类别进行用户聚类；
所述根据针对每一所述位置区域的聚类结果，获得所述异常群组，还包括：
在对于用户的所有聚类结果中，筛选出满足第三分布状态的聚类结果作为第三目标聚类结果，其中，所述第三分布状态可以为具有至少一个目标用户类，所述目标用户类为所对应交易对象类别的销售量达到第三设定数量的用户类；
对于每一所述第三目标聚类结果，聚合使得对应第三目标聚类结果满足所述第三分布状态的目标用户类，获得基于对应位置区域形成的对于用户的异常群组。
9.根据权利要求2所述的方法，其中，所述方法还包括：
检测设定的处理事件；
响应于检测到任意所述处理事件的触发，执行所述获得所述关联数据的步骤。
10.根据权利要求2所述的方法，其中，所述目标交易订单为在所述交易订单集合中的交易订单。
11.根据权利要求1所述的方法，其中，所述获得反映所述目标交易订单与关联数据间的匹配度的特征向量，包括：
对于每一所述关联关系，根据所述目标交易订单与对应关联关系间的匹配度，获得所述目标交易订单对于对应关联关系的匹配特征值；
按照设定顺序，排列对于每一所述关联关系的匹配特征值，获得所述特征向量。
12.根据权利要求1至11中任一项所述的方法，其中，所述至少根据所述特征向量，识别所述目标交易订单是否为风险订单，包括：
至少将所述特征向量输入至识别模型，获得所述目标交易订单是否为风险订单的识别结果。
13.根据权利要求12所述的方法，其中，所述方法还包括生成所述识别模型的步骤，包括：
获取标准样本；
对至少部分所述标准样本进行扰动，生成对抗样本；
将所述标准样本和所述对抗样本均作为训练样本，进行模型参数的训练，得到所述识别模型。
14.根据权利要求1至11中任一项所述的方法，其中，所述方法还包括：
在识别所述目标交易订单为风险订单的情况下，对所述目标交易订单对应的商家、商品和用户中的至少一项执行设定的惩罚项。
15.根据权利要求14所述的方法，其中，所述对所述目标交易订单对应的商家、商品和用户中的至少一项执行设定的惩罚项，包括：
将所述目标交易订单对应的商家和/或用户参与实施风险订单的信息上报至信用监管部门。
16.一种用于电商平台的订单识别方法，包括：
根据目标交易订单在电商平台上生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量，其中，所述设定订单信息包括商品信息、商家信息和用户信息中的至少一项；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
17.一种用于信用住平台的订单识别方法，包括：
根据目标交易订单在信用住平台上生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量，其中，所述设定订单信息包括房间信息、商家信息和用户信息中的至少一项；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
18.一种订单识别方法，由终端设备实施，包括：
获取交易订单的订单信息，其中，所述订单信息包括所述终端设备在交易订单生成时的地理位置信息；
将所述订单信息发送至服务器进行风险订单识别，其中，所述进行风险订单识别包括：根据所述地理位置信息获得所述交易订单在生成时对应的位置区域，根据所述位置区域和所述交易订单的设定订单信息，获得反映所述交易订单与关联数据之间的匹配度的特征向量；以及，至少根据所述特征向量，识别所述交易订单是否为风险订单；所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
响应于所述服务器根据肯定识别结果给出的处理结果，进行关于所述处理结果的记录和/或提示。
19.一种基于订单识别的信用处理方法，由信用监管部门的电子设备实施，包括：
响应于信用查询请求，获取请求方的信用信息，其中，所述信用信息包括所述请求方参与实施风险订单的信息；
根据获取到的信用信息，生成信用查询报告反馈给所述请求方。
20.一种订单识别装置，包括：
匹配模块，用于根据目标交易订单在生成时对应的位置区域和所述目标交易订单的设定订单信息，获得反映所述目标交易订单与关联数据之间的匹配度的特征向量；
其中，所述关联数据反映位置区域与对于设定订单信息的异常群组间的关联关系；
识别模块，用于至少根据所述特征向量，识别所述目标交易订单是否为风险订单。
21.一种电子设备，包括如权利要求20所述的识别装置，或者，所述电子设备包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如权利要求1-19中任一项所述的方法。
22.一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，执行如权利要求1-19中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694882.9A CN112308352A (zh) | 2019-07-30 | 2019-07-30 | 一种订单识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694882.9A CN112308352A (zh) | 2019-07-30 | 2019-07-30 | 一种订单识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308352A true CN112308352A (zh) | 2021-02-02 |
Family
ID=74330253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910694882.9A Pending CN112308352A (zh) | 2019-07-30 | 2019-07-30 | 一种订单识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308352A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034145A (zh) * | 2021-05-24 | 2021-06-25 | 浙江中科华知科技股份有限公司 | 用户异常加密数字资产交易类别判断方法、装置 |
| CN116934418A (zh) * | 2023-06-15 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
| CN117635276A (zh) * | 2023-12-21 | 2024-03-01 | 爱来(广州)信息网络有限公司 | 订单处理方法、装置、系统及计算机可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128359A1 (zh) * | 2016-01-30 | 2017-08-03 | 深圳市博信诺达经贸咨询有限公司 | 基于大数据的电商平台分析方法及系统 |
| CN107093090A (zh) * | 2016-10-25 | 2017-08-25 | 北京小度信息科技有限公司 | 异常用户识别方法及装置 |
| CN107146089A (zh) * | 2017-03-29 | 2017-09-08 | 北京三快在线科技有限公司 | 一种刷单识别方法及装置，电子设备 |
| CN107305665A (zh) * | 2016-04-19 | 2017-10-31 | 李辉 | 一种鉴别虚假交易、防止刷单的方法及装置 |
| CN107958382A (zh) * | 2017-12-06 | 2018-04-24 | 北京小度信息科技有限公司 | 异常行为识别方法、装置、电子设备及存储介质 |
| CN108038696A (zh) * | 2017-12-01 | 2018-05-15 | 杭州呯嘭智能技术有限公司 | 基于设备标识码和社交群组信息的刷单检测方法及系统 |
| 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 |
| CN108573432A (zh) * | 2018-04-23 | 2018-09-25 | 重庆南米电子商务有限公司 | 用于电子商务的交易监管系统和方法 |
| CN109460508A (zh) * | 2018-10-10 | 2019-03-12 | 浙江大学 | 一种高效的垃圾评论用户群组检测方法 |
-
2019
- 2019-07-30 CN CN201910694882.9A patent/CN112308352A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128359A1 (zh) * | 2016-01-30 | 2017-08-03 | 深圳市博信诺达经贸咨询有限公司 | 基于大数据的电商平台分析方法及系统 |
| CN107305665A (zh) * | 2016-04-19 | 2017-10-31 | 李辉 | 一种鉴别虚假交易、防止刷单的方法及装置 |
| CN107093090A (zh) * | 2016-10-25 | 2017-08-25 | 北京小度信息科技有限公司 | 异常用户识别方法及装置 |
| CN107146089A (zh) * | 2017-03-29 | 2017-09-08 | 北京三快在线科技有限公司 | 一种刷单识别方法及装置，电子设备 |
| CN108038696A (zh) * | 2017-12-01 | 2018-05-15 | 杭州呯嘭智能技术有限公司 | 基于设备标识码和社交群组信息的刷单检测方法及系统 |
| CN107958382A (zh) * | 2017-12-06 | 2018-04-24 | 北京小度信息科技有限公司 | 异常行为识别方法、装置、电子设备及存储介质 |
| 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 |
| CN108573432A (zh) * | 2018-04-23 | 2018-09-25 | 重庆南米电子商务有限公司 | 用于电子商务的交易监管系统和方法 |
| CN109460508A (zh) * | 2018-10-10 | 2019-03-12 | 浙江大学 | 一种高效的垃圾评论用户群组检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐祺;崔久强;: "企业网络信用服务系统研究与应用", 电子商务, no. 06, 15 June 2016 (2016-06-15), pages 1 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034145A (zh) * | 2021-05-24 | 2021-06-25 | 浙江中科华知科技股份有限公司 | 用户异常加密数字资产交易类别判断方法、装置 |
| CN116934418A (zh) * | 2023-06-15 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
| CN116934418B (zh) * | 2023-06-15 | 2024-03-19 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
| CN117635276A (zh) * | 2023-12-21 | 2024-03-01 | 爱来(广州)信息网络有限公司 | 订单处理方法、装置、系统及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11816105B2 (en) | Systems and methods for enhancing user data derived from digital communications | |
| US20220084037A1 (en) | Systems and methods for classifying accounts based on shared attributes with known fraudulent accounts | |
| WO2021068635A1 (zh) | 信息处理方法、装置及电子设备 | |
| CA3002232A1 (en) | Machine learning artificial intelligence system for predicting hours of operation | |
| US20200065852A1 (en) | Reallocation of electronic resources using a predictive model of attribution | |
| CN112308352A (zh) | 一种订单识别方法、装置及电子设备 | |
| WO2020053854A1 (en) | Systems and methods for secure prediction using an encrypted query executed based on encrypted data | |
| US11681744B2 (en) | Methods and systems for updating a database based on object recognition | |
| CN108932582A (zh) | 风险信息确定方法、装置、计算机设备和存储介质 | |
| US12079262B2 (en) | Computerized system and method for interest profile generation and digital content dissemination based therefrom | |
| WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN110516967A (zh) | 一种信息评估的方法以及相关装置 | |
| CN110852761B (zh) | 制定反作弊策略的方法、装置及电子设备 | |
| CN110163683B (zh) | 价值用户关键指标确定方法、广告投放方法及装置 | |
| CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
| WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 | |
| CN109993544A (zh) | 数据处理方法、系统、计算机系统及计算机可读存储介质 | |
| CN108304482A (zh) | 经纪人的识别方法及装置、电子设备和可读存储介质 | |
| CN110880128A (zh) | 异常信息挖掘方法、装置、系统及终端设备 | |
| CN107169668A (zh) | 一种数据处理方法、装置及系统 | |
| US20130226698A1 (en) | System, method and program for embedding in line advertisements during a multi-factor authentication session | |
| CN112950359A (zh) | 一种用户识别方法和装置 | |
| CN112000862A (zh) | 数据处理方法及装置 | |
| WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN110830515A (zh) | 流量检测方法、装置、电子设备 |
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 |