CN112348624A - 一种基于神经网络模型的订单处理方法和装置 - Google Patents

一种基于神经网络模型的订单处理方法和装置 Download PDF

Info

Publication number
CN112348624A
CN112348624A CN202011018051.9A CN202011018051A CN112348624A CN 112348624 A CN112348624 A CN 112348624A CN 202011018051 A CN202011018051 A CN 202011018051A CN 112348624 A CN112348624 A CN 112348624A
Authority
CN
China
Prior art keywords
order
identified
sub
orders
value correction
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
Application number
CN202011018051.9A
Other languages
English (en)
Inventor
陆继任
蒋宁宁
赵芮
祝捷
戚依楠
陈志良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Shangke Information Technology Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Shangke Information Technology Co Ltd
Priority to CN202011018051.9A priority Critical patent/CN112348624A/zh
Publication of CN112348624A publication Critical patent/CN112348624A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于神经网络模型的订单处理方法，该方法包括：获取包含价值修正参数的第一类订单和包含价值修正参数的第二类订单；确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。

Description

一种基于神经网络模型的订单处理方法和装置
技术领域
本发明涉及电子商务技术领域，特别涉及一种基于神经网络模型的订单处理方法和装置。
背景技术
电商网站经常会推出多种优惠活动(优惠券、满减、满赠等)，一些优惠活动支持叠加使用，当这些优惠活动设置不合理或者存在一定漏洞时，可能会被黑产群体利用进行大量套利，为商家带来极大经济损失。
当前有两种方法来防止上述情况的产生：一种通过人工数据分析及经验，人为发现优惠活动的漏洞，并据此设置业务规则；另一种是通过历史数据训练机器学习模型，利用训练的模型来识别套利订单。
以上两种方法都只能用来判断单个订单是否有套利风险，但并不能把它们联系起来，无法区分出群体行为的以套利为目的的恶意订单和非群体行为的以套利为目的的正常订单。
发明内容
有鉴于此，本发明的目的在于提供了一种基于神经网络模型的订单处理方法和装置，能够用于识别和处理群体行为的以套利为目的的恶意订单。
为了达到上述目的，本发明提供了如下技术方案：
一种群体行为订单的识别方法，包括：
获取包含价值修正参数的第一类订单和包含价值修正参数的第二类订单；
确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
一种基于神经网络模型的订单处理装置，包括：
收集单元，用于获取包含价值修正参数的第一类订单和包含价值修正参数的第二类订单；
训练单元，用于确定收集单元获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
处理单元，用于接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
决策单元，用于根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通过总线相连的存储器；所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序；所述至少一个处理器执行所述一个或多个计算机程序时实现上述群体行为订单的识别方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现上述群体行为订单的识别方法中的步骤。
由上面的技术方案可知，本发明中，通过获取包含价值修正参数的第一类订单和第二类订单，并利用这些订单的特征数据训练得到带嵌入层的订单识别模型，利用订单识别模型确定待识别订单的类别度量值和特征向量，根据待识别订单的类别度量值和特征向量确定待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。应用本发明可以识别和处理群体行为的以套利为目的的恶意订单。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一群体行为订单的识别方法流程图；
图2是本发明实施例二群体行为订单的识别方法流程图；
图3是本发明实施例提供的带嵌入层的神经网络模型示意图；
图4是本发明实施例三群体行为订单的识别方法流程图；
图5是本发明实施例四群体行为订单的识别方法流程图；
图6是本发明实施例五群体行为订单的识别方法流程图；
图7是本发明实施例群体行为订单的识别装置的结构示意图；
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1是本发明实施例一基于神经网络模型的订单处理方法流程图，如图1所示，该方法主要包括以下步骤：
步骤101、获取包含价值修正参数的第一类订单和第二类订单；
步骤102、确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
本实施例中，步骤101至步骤102可以只执行一次。
步骤103、接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
步骤104、根据待识别订单的类别度量度和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
本实施例中，步骤103至步骤104可循环执行。
从图1所示方法可以看出，本实施例中，通过获取包含价值修正参数的第一类订单和第二类订单，并利用这些订单的特征数据训练得到带嵌入层的订单识别模型，利用订单识别模型确定待识别订单的类别度量值和特征向量，根据待识别订单的类别度量值和特征向量确定待识别订单是第一类订单时，将。应用本发明可以识别和处理群体行为的恶意订单。
参见图2，图2是本发明实施例二群体行为订单的识别方法流程图，如图2所示，该方法主要包括以下步骤：
步骤201、获取包含价值修正参数的第一类订单和第二类订单；
本实施例中，价值修正参数，是一个用于对订单的价值进行修正的参数，在电商平台中可以具体对应一个优惠活动，例如满199减100的满减优惠活动。
本实施例中，将包含价值修正参数且属于群体行为的恶意订单称为第一类订单，将包含价值修正参数且不属于群体行为的非恶意订单称为第二类订单。这里，群体是指是指人们为了实现特定的目标，满足共同需要，以一定的方式联系在一起的人群集合体。群体行为是指受到某一因素的刺激或影响而形成的多个人的共同行为。一个群体受同一因素影响(如某一优惠活动)、通过同一下单渠道、采用同一支付方式所下的订单，是属于群体行为的订单。
本实施例中，获取包含价值修正参数的第一类订单和第二类订单后，可以利用这些订单的特征数据训练预先搭建的带有嵌入层的神经网络模型。
在现有实现中，神经网络模型通常包括输入层、隐藏层和输出层。本实施例中，通过在输入层和隐藏层之间添加一个嵌入层，从而搭建出一个如图3所示的带有嵌入层的神经网络模型，此带有嵌入层的神经网络模型的隐藏层可包括一个或多个隐层，每个隐层可以是一个全连接层，其中，全连接层的激活函数可以使用Relu，输出层的激活函数可以使用sigmoid函数，sigmoid函数期望输出为0和1，另外带有嵌入层的神经网络模型的损失函数可以使用交叉熵损失，通过随机梯度下降策略更新模型权重，从而完成模型训练。
步骤2021、确定获取的订单的特征数据；
本实施例中，订单的特征数据可以包括如下表所示的多项特征：
Figure BDA0002699740990000061
Figure BDA0002699740990000071
Figure BDA0002699740990000081
表一
步骤2022、将获取的订单的特征数据进行独热编码得到稀疏矩阵；
步骤2023、将稀疏矩阵通过所述神经网络模型的输入层输入到嵌入层进行降维处理；
步骤2024、将经降维处理后的稀疏矩阵输入到隐藏层进行特征提取，将特征提取结果输出到输出层，从而实现对所述神经网络模型的训练。
以上步骤2022至步骤2024是图1所示步骤102中“利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练”的具体细化。
步骤2025，将训练得到的模型作为订单识别模型。
以上步骤2021至步骤2025是图1所示步骤102的具体细化。
所述带有嵌入层的神经网络模型包括输入层、嵌入层、隐藏层和输出层；
本实施例中，步骤201至步骤202可以只执行一次。
步骤203、接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
本实施中，将待识别订单输入订单识别模型后，将订单识别模型的嵌入层输出的数据输入到隐藏层进行特征提取，同时还将订单识别模型的嵌入层输出的数据作为待识别订单的特征向量输出。
步骤204、根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
本实施例中，步骤203至步骤204可循环执行。
从图2所示方法可以看出，本实施例中，利用训练得到的带嵌入层的订单识别模型来确定待识别订单的类别度量值和特征向量，从而可以根据待识别订单的类别度量值和特征向量确定待识别订单是否是第一类订单。应用本发明可以识别和处理出群体行为的恶意订单。
参见图4，图4是本发明实施例三群体行为订单的识别方法流程图，如图4所示，该方法主要包括以下步骤：
步骤401、获取包含价值修正参数的第一类订单和第二类订单；
步骤402、确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
步骤403、接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
步骤4041、当待识别订单的类别度量值大于预设类别度量阈值时，根据待识别订单的类别度量值确定待识别订单的冷静时长，根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单；
本实施例中，当待识别订单的类别度量值不大于预设类别度量阈值时，确定待识别订单不是第一类订单。
本实施例中，根据待识别订单的类别度量值确定待识别订单的冷静时长，具体包括：
使用公式
Figure BDA0002699740990000101
计算待识别订单的冷静时长；其中，t为待识别订单的冷静时长，p为预设类别度量阈值，γ和λ是对预先收集多个样本数据进行线性拟合得到的两个系数值，所述样本数据为t值和p值的对应关系。
本实施例中，订单中包括物品编号。根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单，具体包括：
S11、将待识别订单和冷静时长未结束的已识别订单按照物品编号分组；
本实施例中，在确定待识别订单的类别度量值大于预设类别度量值阈值后，可以将待识别订单放入一个用于存放冷静时长未结束的已识别订单的订单池。按照物品编号对订单池中的所有订单进行分组，即可实现本步骤S11。
S12、针对每一分组中的每一订单，将该订单与该分组中的其它各订单进行订单配对，并计算每一配对订单中的两个订单的特征向量之间的欧式距离；
在两个订单的物品编号相同的情况下，两个订单的特征向量之间的欧式距离越小则两个订单的特征向量越相似，以此来区分两个订单的下单用户是否属于一个群体。
S13、将配对订单按照配对订单中的两个订单的特征向量之间的欧氏距离从小到大排序，并确定排序靠前的第一预设比例的配对订单中是否存在包含待识别订单的配对订单，如果存在，则确定待识别订单是第一类订单。
以上步骤4041是图1所示步骤104中“根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单”的具体细化。
步骤4042、当确定待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
本实施例中，当确定待识别订单不是第一类订单时，可以按照正常处理流程将待识别订单下传到库房生产即可。
以上步骤4041和4042是图1所示步骤104的具体细化。
从图4所示方法可以看出，本实施例中，通过冷静时长未结束的所有订单进行按照物品编号分组，并计算分组内两两订单之间的欧式距离，从而找出最有可能是属于群体行为的恶意订单，如果待识别订单也在这些恶意订单中，则确认待识别订单是第一类订单。应用本发明可以识别出群体行为的恶意订单。
参见图5，图5是本发明实施例四群体行为订单的识别方法流程图，如图5所示，该方法主要包括以下步骤：
步骤501、获取包含价值修正参数的第一类订单和第二类订单；
步骤502、确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
步骤503、接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
步骤5041、根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单。
步骤5042、当确定待识别订单是第一类订单时，对待识别订单进行告警处理，并将待识别订单发送到审核平台进行人工审核或基于预设规则的审核。
本实施例中，如果确定待识别订单是第一类订单，可以对待识别订单进行告警，后续可以对被告警的订单进行人工审核或按照预设规则审核，审核通过才允许继续下传到库房生产。
以上步骤5042是图1所示步骤中“当确定待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核”的具体细化。
以上步骤5041和5042是图1所示步骤104的具体细化。
从图5所示方法可以看出，本实施例中，确定待识别订单是第一类订单后，通过对待识别订单进行告警处理，并将待识别订单发送到审核平台进行人工审核或基于预设规则的审核，从而进一步保证第一类订单识别的准确性。
参见图6，图6是本发明实施例五群体行为订单的识别方法流程图，如图6所示，该方法主要包括以下步骤：
步骤6011、获取当前时间之前第一预设时长内包含价值修正参数的历史订单；
本实施例中，订单中包括用户行为信息和订单属性信息；所述用户行为信息包括价值修正参数、下单渠道、和支付方式等；所述订单属性信息包括：下单日期、订单编号、用户账号、物品编号、和物品个数等；
本实施例中，获取的当前时间之前第一预设时长内的历史订单具体可以如表二所示：
Figure BDA0002699740990000131
表二
需要说明的是，一个订单通常可以分为多个子订单，表二中的每一行是一个子订单，订单编号相同的子订单属于同一订单。例如上述订单编号为10001的三个子订单实际上均属于订单编号为10001的历史订单。
步骤6012、针对每一历史订单，查找下单时间在该历史订单的下单时间所在的第二预设时长内且与该历史订单具有相同用户行为信息、以及相同物品编号和相同物品个数的其它历史订单，根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息；所述子订单配对信息中包括两个用户账号、价值修正参数和下单日期。
本实施例中，根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息，具体包括：针对该历史订单的每一子订单，在该其它历史订单的子订单中查找与该历史订单的该子订单具有相同物品编号和价值修正参数的子订单，将该历史订单的该子订单中的订单编号和用户账户和查找到的子订单合并成得到对应的子订单配对信息。
本实施例中，基于上述表二提供的数据可以得到如表三所示的子订单配对信息：
Figure BDA0002699740990000141
Figure BDA0002699740990000151
表三
步骤6013、统计两个用户账号、价值修正参数、和下单日期均相同的子订单配对信息个数，并统计包括该下单日期和价值修正参数的历史订单个数，将该子订单配对信息个数与该历史订单个数的商确定为该两个用户在该下单日期基于该价值修正参数下单的支持度；
本实施例中，基于上述表三提供的数据，统计两个用户账号、价值修正参数、和下单日期均相同的子订单配对信息个数，可得到如表四所示的统计结果：
Figure BDA0002699740990000152
表四
假设下单日期为2020-01-05，价值修正参数为567和568的历史订单个数分别为10和20，则可以计算确定jack和lili在日期2020-01-05基于价值修正参数567下单的支持度是4/10＝0.4，基于价值修正参数568下单的支持度是2/20＝0.1。
步骤6014、将子订单配对信息按照子订单配对信息中的两个用户账号在子订单配对信息中的下单日期基于子订单配对信息中的价值修正参数下单的支持度从大到小排序，并确定排序靠前的第二预设比例(例如1％)的子订单配对信息和排序靠后的第三预设比例(例如5％)的子订单配对信息；
步骤6015、针对排序靠前的第二预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第一类订单；
步骤6016、针对排序靠后的第三预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第二类订单。
以上步骤6011至步骤6016是图1所示步骤101的具体细化。
步骤602、确定第一类订单和第二类订单的特征数据，并利用获取的第一类订单和第二类订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
步骤603、接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
步骤604、根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
从图6所示方法可以看出，本实施例中，通过获取包含价值修正参数的第一类订单和第二类订单，并利用这些订单的特征数据训练得到带嵌入层的订单识别模型，利用订单识别模型确定待识别订单的类别度量值和特征向量，根据待识别订单的类别度量值和特征向量确定待识别订单是否是第一类订单，并在待识别订单是第一类订单时对待识别订单进行进一步的审核。应用本发明可以识别出群体行为的恶意订单。
本发明实施例还提供了一种群体行为订单的识别装置，如图7所示，该装置包括：
收集单元701，用于获取包含价值修正参数的第一类订单和第二类订单；
训练单元702，用于确定收集单元701获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
处理单元703，用于接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
决策单元704，用于根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
图7所示装置中，
所述带有嵌入层的神经网络模型包括输入层、嵌入层、隐藏层和输出层；
训练单元702，利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，包括：
将获取的订单的特征数据进行独热编码得到稀疏矩阵；
将稀疏矩阵通过所述神经网络模型的输入层输入到嵌入层进行降维处理；
将经降维处理后的稀疏矩阵输入到隐藏层进行特征提取，将特征提取结果输出到输出层，从而实现对所述神经网络模型的训练。
图7所示装置中，
所述决策单元704，根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，包括：
当待识别订单的类别度量值大于预设类别度量阈值时，根据待识别订单的类别度量值确定待识别订单的冷静时长，根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单。
图7所示装置中，
所述决策单元704，根据待识别订单的类别度量值确定待识别订单的冷静时长，包括：
使用公式
Figure BDA0002699740990000181
计算待识别订单的冷静时长；其中，t为待识别订单的冷静时长，p为预设类别度量阈值，γ和λ是对预先收集的多个样本数据进行线性拟合得到的两个系数值，所述样本数据为t值和p值的对应关系。
图7所示装置中，
订单中包括物品编号；
所述决策单元704，根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单，包括：
将待识别订单和冷静时长未结束的已识别订单按照物品编号分组；
针对每一分组中的每一订单，将该订单与该分组中的其它各订单进行订单配对，并计算每一配对订单中的两个订单的特征向量之间的欧式距离；
将配对订单按照配对订单中的两个订单的特征向量之间的欧氏距离从小到大排序；
确定排序靠前的第一预设比例的配对订单中是否存在包含待识别订单的配对订单，如果存在，则确定待识别订单是第一类订单。
图7所示装置中，
所述决策单元704，将待识别订单发送至审核平台进行审核包括：
对待识别订单进行告警，并将待识别订单发送到审核平台进行人工审核或基于预设规则的审核。
图7所示装置中，
订单中包括用户行为信息和订单属性信息；所述用户行为信息包括价值修正参数、下单渠道、和支付方式；所述订单属性信息包括：下单日期、订单编号、用户账号、物品编号、和物品个数；
所述收集单元701，获取包括价值修正参数的第一类订单和包含价值修正参数的第二类订单，包括：
获取当前时间之前第一预设时长内包含价值修正参数的历史订单；
针对每一历史订单，查找下单时间在该历史订单的下单时间所在的第二预设时长内且与该历史订单具有相同用户行为信息、以及相同物品编号和相同物品个数的其它历史订单，根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息；所述子订单配对信息中包括两个用户账号、价值修正参数和下单日期；
统计两个用户账号、价值修正参数、和下单日期均相同的子订单配对信息个数，并统计包括该下单日期和价值修正参数的历史订单个数，将该子订单配对信息个数与该历史订单个数的商确定为该两个用户在该下单日期基于该价值修正参数下单的支持度；
将子订单配对信息按照子订单配对信息中的两个用户账号在子订单配对信息中的下单日期基于子订单配对信息中的价值修正参数下单的支持度从大到小排序，并确定排序靠前的第二预设比例的子订单配对信息和排序靠后的第三预设比例的子订单配对信息；
针对排序靠前的第二预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第一类订单；
针对排序靠后的第三预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第二类订单。
图7所示装置中，
所述收集单元701，根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息，包括：
针对该历史订单的每一子订单，在该其它历史订单的子订单中查找与该历史订单的该子订单具有相同物品编号和价值修正参数的子订单，将该历史订单的该子订单中的订单编号和用户账户和查找到的子订单合并，得到对应的子订单配对信息。
本发明实施例还提供了一种电子设备，如图8所示，该电子设备包括：至少一个处理器801，以及与所述至少一个处理器801通过总线相连的存储器802；所述存储器802存储有可被所述至少一个处理器801执行的一个或多个计算机程序；所述至少一个处理器801执行所述一个或多个计算机程序时实现图1、2、4、5、6中任一流程图所示方法中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现图1、2、4、5、6中任一流程图所示方法中的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (11)

1.一种基于神经网络模型的订单处理方法，其特征在于，该方法包括：
获取包含价值修正参数的第一类订单和包含价值修正参数的第二类订单；
确定获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
2.根据权利要求1所述的方法，其特征在于，
所述带有嵌入层的神经网络模型包括输入层、嵌入层、隐藏层和输出层；
利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，包括：
将获取的订单的特征数据进行独热编码得到稀疏矩阵；
将稀疏矩阵通过所述神经网络模型的输入层输入到嵌入层进行降维处理；
将经降维处理后的稀疏矩阵输入到隐藏层进行特征提取，将特征提取结果输出到输出层，从而实现对所述神经网络模型的训练。
3.根据权利要求1所述的方法，其特征在于，
根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，包括：
当待识别订单的类别度量值大于预设类别度量阈值时，根据待识别订单的类别度量值确定待识别订单的冷静时长，根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单。
4.根据权利要求3所述的方法，其特征在于，
根据待识别订单的类别度量值确定待识别订单的冷静时长，包括：
使用公式
Figure FDA0002699740980000021
计算待识别订单的冷静时长；其中，t为待识别订单的冷静时长，p为预设类别度量阈值，γ和λ是对预先收集的多个样本数据进行线性拟合得到的两个系数值，所述样本数据为t值和p值的对应关系。
5.根据权利要求3所述的方法，其特征在于，
订单中包括物品编号；
根据待识别订单的特征向量和冷静时长未结束的已识别订单确定待识别订单是否为第一类订单，包括：
将待识别订单和冷静时长未结束的已识别订单按照物品编号分组；
针对每一分组中的每一订单，将该订单与该分组中的其它各订单进行订单配对，并计算每一配对订单中的两个订单的特征向量之间的欧式距离；
将配对订单按照配对订单中的两个订单的特征向量之间的欧氏距离从小到大排序；
确定排序靠前的第一预设比例的配对订单中是否存在包含待识别订单的配对订单，如果存在，则确定待识别订单是第一类订单。
6.根据权利要求1所述的方法，其特征在于，
将待识别订单发送至审核平台进行审核包括：
对待识别订单进行告警，将待识别订单发送到审核平台进行人工审核或基于预设规则的审核。
7.根据权利要求1所述的方法，其特征在于，
订单中包括用户行为信息和订单属性信息；所述用户行为信息包括价值修正参数、下单渠道、和支付方式；所述订单属性信息包括：下单日期、订单编号、用户账号、物品编号、和物品个数；
获取包括价值修正参数的第一类订单和包含价值修正参数的第二类订单，包括：
获取当前时间之前第一预设时长内包含价值修正参数的历史订单；
针对每一历史订单，查找下单时间在该历史订单的下单时间所在的第二预设时长内且与该历史订单具有相同用户行为信息、以及相同物品编号和相同物品个数的其它历史订单，根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息；所述子订单配对信息中包括两个用户账号、价值修正参数和下单日期；
统计两个用户账号、价值修正参数、和下单日期均相同的子订单配对信息个数，并统计包括该下单日期和价值修正参数的历史订单个数，将该子订单配对信息个数与该历史订单个数的商确定为该两个用户在该下单日期基于该价值修正参数下单的支持度；
将子订单配对信息按照子订单配对信息中的两个用户账号在子订单配对信息中的下单日期基于子订单配对信息中的价值修正参数下单的支持度从大到小排序，并确定排序靠前的第二预设比例的子订单配对信息和排序靠后的第三预设比例的子订单配对信息；
针对排序靠前的第二预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第一类订单；
针对排序靠后的第三预设比例的子订单配对信息中的每一子订单配对信息，将进行子订单配对生成该子订单配对信息时所使用的两个历史订单确定为包含价值修正参数的第二类订单。
8.根据权利要求1所述的方法，其特征在于，
根据物品编号和价值修正参数将该历史订单与每一其它历史订单进行子订单配对生成子订单配对信息，包括：
针对该历史订单的每一子订单，在该其它历史订单的子订单中查找与该历史订单的该子订单具有相同物品编号和价值修正参数的子订单，将该历史订单的该子订单中的订单编号和用户账户和查找到的子订单合并，得到对应的子订单配对信息。
9.一种基于神经网络模型的订单处理装置，其特征在于，该装置包括：
收集单元，用于获取包含价值修正参数的第一类订单和包含价值修正参数的第二类订单；
训练单元，用于确定收集单元获取的订单的特征数据，并利用获取的订单的特征数据对预先搭建的带有嵌入层的神经网络模型进行训练，得到带有嵌入层的订单识别模型；
处理单元，用于接收包含价值修正参数的待识别订单，将待识别订单的特征数据输入所述订单识别模型，得到所述订单识别模型的嵌入层输出的待识别订单的特征向量和所述订单识别模型输出的待识别订单的类别度量值；
决策单元，用于根据待识别订单的类别度量值和特征向量确定待识别订单是否为第一类订单，当待识别订单是第一类订单时，将待识别订单发送至审核平台进行审核。
10.一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通过总线相连的存储器；所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序；其特征在于，所述至少一个处理器执行所述一个或多个计算机程序时实现权利要求1-8任一权项所述的方法中的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法中的步骤。
CN202011018051.9A 2020-09-24 2020-09-24 一种基于神经网络模型的订单处理方法和装置 Pending CN112348624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011018051.9A CN112348624A (zh) 2020-09-24 2020-09-24 一种基于神经网络模型的订单处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011018051.9A CN112348624A (zh) 2020-09-24 2020-09-24 一种基于神经网络模型的订单处理方法和装置

Publications (1)

Publication Number Publication Date
CN112348624A true CN112348624A (zh) 2021-02-09

Family

ID=74360395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011018051.9A Pending CN112348624A (zh) 2020-09-24 2020-09-24 一种基于神经网络模型的订单处理方法和装置

Country Status (1)

Country Link
CN (1) CN112348624A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190236609A1 (en) * 2018-01-26 2019-08-01 Alibaba Group Holding Limited Fraudulent transaction detection model training
CN110348967A (zh) * 2019-07-12 2019-10-18 携程旅游信息技术（上海）有限公司 用户行为追踪数据的分析方法、系统及存储介质
CN110827117A (zh) * 2019-10-17 2020-02-21 北京互金新融科技有限公司 订单行为识别方法、装置、存储介质和处理器
CN111126629A (zh) * 2019-12-25 2020-05-08 上海携程国际旅行社有限公司 模型的生成方法、刷单行为识别方法、系统、设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190236609A1 (en) * 2018-01-26 2019-08-01 Alibaba Group Holding Limited Fraudulent transaction detection model training
CN110348967A (zh) * 2019-07-12 2019-10-18 携程旅游信息技术（上海）有限公司 用户行为追踪数据的分析方法、系统及存储介质
CN110827117A (zh) * 2019-10-17 2020-02-21 北京互金新融科技有限公司 订单行为识别方法、装置、存储介质和处理器
CN111126629A (zh) * 2019-12-25 2020-05-08 上海携程国际旅行社有限公司 模型的生成方法、刷单行为识别方法、系统、设备和介质

Similar Documents

Publication Publication Date Title
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及系统
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN109359812A (zh) 理财产品推荐方法、服务器及计算机可读存储介质
CN112102073A (zh) 信贷风险控制方法及系统、电子设备及可读存储介质
US10521748B2 (en) Retention risk determiner
CN110197390B (zh) 一种基于关联规则关联度和经济值的推荐方法和系统
CN109711424B (zh) 一种基于决策树的行为规则获取方法、装置及设备
CN113051291A (zh) 工单信息的处理方法、装置、设备及存储介质
CN112559900B (zh) 产品推荐方法、装置、计算机设备和存储介质
CN107392022A (zh) 爬虫识别、处理方法及相关装置
CN107220867A (zh) 对象控制方法及装置
CN112182207B (zh) 基于关键词提取和快速文本分类的发票虚抵风险评估方法
CN108876545A (zh) 订单识别方法、装置和可读存储介质
CN107015993B (zh) 一种用户类型识别方法及装置
CN110097451A (zh) 一种银行业务的监控方法及装置
CN110599195B (zh) 一种识别刷单的方法
CN109636378B (zh) 账户识别方法和装置、电子设备
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN109978302A (zh) 一种信用评分方法及设备
CN109462635A (zh) 一种信息推送方法、计算机可读存储介质及服务器
CN111325572B (zh) 一种数据处理方法及装置
CN107368958A (zh) 基于主成分分析法的大客户价值评价指标权重确定方法
CN112348624A (zh) 一种基于神经网络模型的订单处理方法和装置
CN106815290B (zh) 一种基于图挖掘的银行卡归属的确定方法及装置
CN107545347B (zh) 用于防控风险的属性确定方法、装置及服务器

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