CN112950298A - 一种恶意订单识别方法、装置及存储介质 - Google Patents

Abstract

本发明提供了一种恶意订单识别方法、装置及存储介质，该方法包括：预先获取历史订单信息、每一订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、和/或目标货物信息及目标货物恶意聚集度；获取待识别订单信息和待识别订单对应的关联信息；将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；根据待识别订单的恶意度判断待识别订单是否是恶意订单。本发明能够提高恶意订单识别的精准度。

Description

一种恶意订单识别方法、装置及存储介质

技术领域

本发明涉及信息处理技术领域，特别涉及一种恶意订单识别方法、装置及存储介质。

背景技术

伴随电商行业发展，平台流量越来越高，客户的恶意手法也日渐丰富，商家出现集中性投诉被恶意订单攻击情况，由于恶意订单造成的损失日益加剧。且被商家主动提报的恶意订单仅仅占恶意订单本身的一部分，大量的恶意订单还在张狂的增长。与此同时，客服人员在识别恶意订单时，需要考量诸多因素和场景，如订单本身的属性、下单账户的情况、商品及商家的信用等。因此判别恶意订单的流程非常废杂冗长，因此自动化的恶意订单精准识别方法迫在眉睫。

现有恶意订单识别方法主要有基于规则的恶意订单判别和基于订单维度属性的恶意订单识别二分类模型两种。其中，

1)基于规则的恶意订单判别过程如图1所示，主要是依据客服及商家的业务经验总结恶意订单规则，如订单单价超过某限定值、当天下单未支付比例大于某阈值等强规则，通过规则叠加的方式给予订单恶意得分，再依赖人工经验给出得分阈值，高于某阈值则为恶意订单、低于阈值则为正常订单。由于恶意订单规则大多来源于业务经验，受主观因素影响，且各个规则互相独立，未考虑规则之间的关联性，会引起对订单的评价虚高或虚低，出现误判，因此这种方法存在恶意订单判别的准确率低，误伤率高的缺点。

2)基于订单维度属性的恶意订单识别二分类模型如图2所示，通过输入订单自身属性维度特征、订单相关账户特征、交易行为特征等维度建立二分类模型，输出订单被判别为恶意的概率值，通过判定阈值将订单分为恶意订单和非恶意订单。此种方法仅从订单维度进行分析，未考虑订单相关的账户、商品、商家的连带影响，因此对恶意订单的判别较为片面，参考性较弱，也存在识别结果不够精准的问题。

可以看出，以上两种恶意订单识别方法，都存在精准度不足的问题。

发明内容

有鉴于此，本发明的目的在于提供一种恶意订单识别方法、装置及存储介质，能够提高恶意订单识别的精准度。

为了达到上述目的，本发明提供了如下技术方案：

一种恶意订单识别方法，包括：

预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、和/或目标商品货物信息及目标货物的恶意聚集度；

获取待识别订单信息，以及获取待识别订单对应的关联信息；

将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；

根据待识别订单的恶意度判断待识别订单是否是恶意订单。

一种恶意订单识别装置，包括：

生成单元，用于预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、和/或目标货物信息及目标货物的恶意聚集度；

获取单元，用于获取待识别订单信息，以及获取待识别订单对应的关联信息；

处理单元，用于将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；

判定单元，用于根据待识别订单的恶意度判断待识别订单是否是恶意订单。

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恶意订单识别方法中的步骤。

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权利要求上述恶意订单识别方法。

由上面的技术方案可知，本发明中，根据历史订单信息和每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型，对于待识别订单，将待识别订单信息和待识别订单对应的关联信息作为恶意订单识别模型的输入，得到待识别订单的恶意度，从而根据待识别订单的恶意度确定待识别订单是否是恶意订单。由于所述关联信息中包括下单账户相关信息(下单账户信息及下单账户恶意度)、目标货物提供者相关信息(目标货物提供者信息及目标货物提供者恶意聚集度)、和目标货物相关信息(目标货物信息及目标货物恶意聚集度)中的至少一种信息，因此可知，恶意订单识别模型的生成过程中，综合考虑了与订单相关的多个维度的恶意信息，从而使得恶意订单识别模型对订单的恶意度识别更加准确，能够提高恶意订单识别的精准度。

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是现有技术基于规则的恶意订单判别过程示意图；

图2是现有技术基于订单维度属性的恶意订单识别二分类模型示意图；

图3是本发明实施例提供的系统架构图；

图4是本发明实施例提供的方法的实施过程图；

图5是本发明实施例一恶意订单识别方法流程图；

图6是本发明实施例二恶意订单识别方法流程图；

图7是本发明实施例恶意订单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。

本发明实施例中，针对现有技术中恶意订单识别的精准度不高的问题，提出了一种基于与订单相关的多维数据来进行恶意订单识别的技术方案，以下进行详细说明。

参见图3，图3是本发明实施例提供的系统架构图，如图3所示，本发明实施例中，通过生成账户恶意度模型、货物提供者恶意聚集度模型、货物恶意聚集度模型，并将账户恶意度模型、货物提供者恶意聚集度模型、货物恶意聚集度模型与订单自身维度特性进行组合最终生成恶意订单识别模型，使用这种恶意订单识别模型对订单进行恶意度识别时，既不存在基于规则的恶意订单判别方法存在的因恶意度判定结果虚高或虚低而导致的误判问题，又可以克服现有基于订单维度属性的恶意订单识别二分类模型存在的片面性问题，精准度较高。

另外，本发明实施例中，还预先生成恶意类型识别模型，可以识别出订单的恶意类型，这样，在使用恶意订单识别模型识别出订单的恶意度时，还可以使用恶意类型识别模型识别出订单的恶意类别，从而将订单的恶意度和恶意类别结合起来考虑，可以更进一步提高恶意订单识别的精准度。

参见图4，图4是本发明实施例提供的方法的实施过程图，如图4所示，包括以下四个实施步骤：

一、数据收集和整理

收集的数据主要包括四种：订单信息、账户信息、货物提供者信息、货物信息，以下进行详细介绍：

1、订单信息

本发明实施例中，订单信息可包括以下信息：订单属性信息、交易信息、等信息。其中，

订单属性信息，主要包括订单的基本属性，如：下单账户名称、目标货物名称、目标货物提供者名称、配送地址等；

交易信息，主要用作/作为订单的恶意类别衡量因素，具体可以包括如下信息中的一种或多种：下单时间、下单金额、优惠信息、支付延迟时长、目标货物所属品类。其中的优惠信息包括优惠类别(如优惠券、促销、特价等)和优惠比例(即优惠金额与下单金额的比值)等相关信息。其中的支付延时时长是指用户的支付时间与下单时间的时间差。

上述订单信息中，订单属性信息在用户下单后即可确定；而订单支付信息则一部分信息可以在用户下单后确定，如下单时间、订单金额等，另一部分则可能需要延后确定，例如支付延迟时长，需要在用户支付之后确定；

本发明实施例中，每个订单还对应有关联信息，每个订单对应的关联信息具体可包括以下信息中的一种或多种：该订单的下单账户信息及下单账户恶意度、该订单的目标货物提供者信息及目标货物提供者恶意聚集度、该订单的目标货物信息及目标货物恶意度，这三组信息的获取将在后续进行说明。

本发明实施例中，每个订单对应有恶意信息，具体包括恶意标志和恶意度。

本发明实施例中，每个订单对应的恶意标志有两种取值，一种是标示恶意订单的取值，另一种是标示非恶意订单的取值。用户在电商平台下订单后，可根据用户后续对该订单是否具有恶意行为，确定该订单是否是恶意订单，例如，如果用户拒收货物或给予货物不符合事实的恶意评价等行为，都可认为是该订单是恶意订单。

本发明实施例中，每个订单对应的恶意类型可具体包括占库存、批量下单、多次拒收、超期恶意赔付、刷券套利、运费差价赠品等多种取值。用户在电商平台下订单后，可根据用户后续对该订单采取的具体行为确定，例如货物送达后被拒收，则可据此确定该订单是恶意订单，恶意类型是拒收。

为了生成恶意订单识别模型，需要收集一段时间内的历史订单信息，例如当前时间之前6个月内的历史订单信息，另外还需要获取每一历史订单对应的关联信息并确定该历史订单是否是恶意订单，并根据该历史订单是否是恶意订单对该历史订单对应的恶意标志赋值。历史订单信息、每一历史订单对应的关联信息和恶意标志一起作为生成恶意订单识别模型的训练数据。

2、账户信息

本发明实施例中，账户信息中包括账户属性信息、账户评价信息、账户行为信息等；其中，

账户属性信息，主要包括账户在电商平台上注册的信息，例如账户标识、账户名称、性别、年龄等信息。

账户评价信息，主要包括账户价值、账户忠诚度、账户活跃度等。其中，账户评价信息可以使用账户的最近预设时长(如6个月)内的购物频次(频率和次数)、最近预设时长内的购物总金额、最近一次购物时间与当前时间的差值等因素衡量，例如，按照账户价值与购物频次及购物总金额正相关，与最近一次购物时间与当前时间的差值负相关的规则进行账户价值衡量。账户忠诚度可以用最近预设时长内的购物总金额和购物频次来衡量，账户忠诚度和最近预设时长内的购物总金额及购物频次均正相关。账户活跃度可以用最近预设时长内的购物频次和最近一次购物时间距离当前时间的差值来衡量，其中，账户活跃度与购物频次正相关，与近一次购物时间距离当前时间的差值负相关。

账户行为信息，主要包括账户在电商平台上的购物行为相关的信息，具体可包括以下信息：注册时间、支付卡绑定时间、最近一次登录时间及最近一次购买时间与当前时间的差值、以及最近预设时长内的购买频次、最近预设时长内的购买总金额、最近预设时长内的恶意下单次数、最近预设时长内的恶意订单总金额、最近预设时长内的预设单位时长(例如1天)的消费变异度等。其中，预设单位时长内的消费变异度可以使用预设单位时长的购买金额的方差衡量。

在实际应用中，需要对预设时长内的账户的订单信息进行分析和统计，得到上述账户信息中的账户评价信息和账户行为信息。

本发明实施例中，每个账户还对应有一个恶意标志。账户的恶意标志，具有两种取值，一种取值是指示账户是恶意账户的标志值，另一种是指示账户不是恶意账户的标志值。账户对应的恶意标志可以根据最近一段时间内(例如3个月)的账户下单行为确定，例如，如果账户在最近3个月内所下的订单中有恶意订单，则可认为账户是恶意账户，将其对应的恶意标志设置为指示账户是恶意账户的标志值，否则，将其对应的恶意标志设置为指示账户不是恶意账户的标志值。

本发明实施例中，每个账户还对应有一个恶意度。账户的恶意度，用于指示账户的恶意倾向程度，可根据当前时间之前的训练数据生成的账户恶意度模型确定，后续会对账户恶意度模型进行详细介绍，此处不再赘述。

最终收集到的账户信息和每个帐户对应的恶意标致作为生成账户恶意度模型的训练数据，另外帐户信息和帐户的恶意度则可以作为订单对应的关联信息的一部分与订单信息一起作为生成恶意订单识别模型的训练数据。

3、货物提供者信息

本发明实施例中，货物提供者信息中主要包括货物提供者属性信息、货物提供者交易行为信息等，其中，

货物提供者属性信息，包括货物提供者名称、货物提供者地址、注册时间、售货品类等基本信息。

货物提供者交易信息，主要包括货物提供者的货物被购买情况相关的信息，具体可包括以下信息：首次被恶意攻击时间与当前时间的差值、最近一次交易时间与当前时间的差值、最近一次被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、最近预设时长内被恶意订单索赔的总金额、和最近预设时长内预设单位时长的被恶意攻击变异度等信息。其中，被恶意攻击变异度可以使用预设单位时长的被恶意攻击次数的方差衡量。

在实际应用中，需要对预设时长内的订单信息进行统计，得到每个货物提供者的交易信息。

本发明实施例中，每个货物提供者还对应有一个恶意标志。货物提供者的恶意标志，具有两种取值，一种取值是指示货物提供者是恶意货物提供者的标志值，另一种是指示货物提供者不是恶意货物提供者的标志值。货物提供者对应的恶意标志可以根据最近一段时间内(例如3个月)的货物提供者所提供货物被下订单的情况确定，例如，如果货物提供者提供的货物在最近3个月内被下的订单中有恶意订单，则可认为货物提供者是恶意货物提供者，将其对应的恶意标志设置为指示货物提供者是恶意货物提供者的标志值，否则，将其对应的恶意标志设置为指示货物提供者不是恶意货物提供者的标志值。

本发明实施例中，每个货物提供者还对应有恶意聚集度。货物提供者的恶意聚集度，用于指示货物提供者被下恶意订单的倾向程度，货物提供者的恶意聚集度可以根据当前时间之前的训练数据生成的货物提供者恶意聚集度模型确定，后续会对货物提供者恶意聚集度模型进行详细介绍，此处不再赘述。

最终收集到的货物提供者信息和每个货物提供者对应的恶意标志作为生成货物提供者恶意聚集度模型的训练数据。另外货物提供者信息及货物提供者的恶意聚集度则可以作为订单对应的关联信息的一部分与订单信息一起作为生成恶意订单识别模型的训练数据。

4、货物信息

本发明实施例中，货物信息主要包括货物属性信息，货物所属品类的交易信息等，其中，

货物属性信息，主要包括货物名称等信息；

货物所属品类的交易信息，可以包括首次被恶意攻击时间与当前时间的差值、最近一次被购买时间与当前时间的差值、最近一次被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、最近预设时长内被恶意订单索赔的总金额、和预设时长内预设单位时长的被恶意攻击变异度。其中，预设单位时长的被恶意攻击变异度可根据预设单位时长的货物所属品类的被攻击次数的方差衡量。

在实际应用中，需要对预设时长内的订单信息进行统计，得到上述货物信息中的货物所属品类的交易信息。

本发明实施例中，每个货物还对应有一个恶意标志。货物的恶意标志，具有两种取值，一种取值是指示货物是恶意货物的标志值，另一种是指示货物不是恶意货物的标志值。货物对应的恶意标志可以根据最近一段时间内(例如3个月)的货物所属一级品类下的货物被下单的情况确定，例如，如果货物所属一级品类下的货物在最近3个月内被下的订单中有恶意订单，则可认为货物是恶意货物，将其对应的恶意标志设置为指示货物是恶意货物的标志值，否则，将其对应的恶意标志设置为指示货物不是恶意货物的标志值。

本发明实施例中，每个货物还对应有恶意聚集度。货物的恶意聚集度，可统一使用货物所属品类的恶意聚集度标识，用于指示货物所属品类被恶意攻击的倾向程度。货物的恶意聚集度，可以根据当前时间之前的训练数据生成的货物恶意聚集度模型确定，后续会对货物恶意聚集度模型进行详细介绍，此处不再赘述。

最终收集到的货物信息和每个货物对应的恶意标志作为生成货物恶意聚集度模型的训练数据。另外货物信息和货物的恶意聚集度则可以作为订单对应的关联信息的一部分与订单信息一起作为生成恶意订单识别模型的训练数据。

二、模型生成和融合

本发明实施例中，为了对恶意订单进行识别，可以生成的模型包括账户恶意度模型、货物提供者恶意聚集度模型、货物恶意度聚集模型、恶意订单识别模型、恶意类型识别模型。这些模型可以周期性生成，例如每个周期开始时对电商平台最近预设时长内的订单信息、账户信息、货物提供者信息、货物信息进行一次收集和整理，并基于收集的数据执行一次模型生成，新生成的模型替代前一周期生成的模型。

本发明实施例中，可以根据收集到的账户信息和每一账户的恶意标志生成账户恶意度模型，根据收集到的货物提供者信息和每一货物提供者的恶意标志生成货物提供者恶意聚集度模型，根据收集到的货物信息和每一货物的恶意标志生成货物恶意度聚集模型。

本发明实施例中，可以根据收集到的历史订单信息、每一历史订单对应的关联信息和恶意标志，生成恶意订单识别模型。由于历史订单对应的关联信息包括下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、目标货物信息及目标货物的恶意聚集这三组信息中的一种或多种，而下单账户的恶意度、目标货物提供者的恶意聚集度、以及目标货物的恶意聚集度分别是根据历史订单生成之前的周期中生成的账户恶意度模型、货物提供者恶意聚集度模型、货物恶意度聚集模型确定的，因此恶意订单识别模型实际是由恶意度模型、货物提供者恶意聚集度模型、货物恶意度聚集模型与订单自身维度特性进行融合生成的。

本发明实施例中，还可以根据历史订单信息以及每个历史订单的恶意类型生成恶意类别识别模型。

三、模型使用

本发明实施例中，当需要进行恶意订单识别时，可以先获取待识别订单和待识别订单对应的关联信息，再将待识别订单信息和待识别订单对应的关联信息作为恶意订单识别模型的输入，恶意订单识别模型的输出即为待识别订单的恶意度，从而根据待识别订单的恶意度可以判断确定待识别订单是否是恶意订单，例如设定一个恶意度阈值，如果待识别订单的恶意度大于此恶意度阈值时，确定待识别订单是恶意订单，否则确定待识别订单不是恶意订单。

上述确定待识别订单对应的关联信息时，如果所述关联信息中包括账户信息，则需要根据账户恶意度模型确定待识别订单的下单账户的恶意度；如果所述关联信息中包括目标货物提供者信息，则需要根据货物提供者恶意聚集度模型确定待识别订单的目标货物提供者的恶意聚集度；如果所述关联信息中包括目标货物信息，则需要根据货物恶意聚集度模型确定待识别订单的目标货物的恶意聚集度。这里，需要说明的是：如果待识别订单的目标货物提供者有多个，则需要根据货物提供者恶意聚集度模型确定每个目标货物提供者的恶意聚集度，然后将多个目标货物提供者的恶意聚集度的平均值作为待识别订单的目标货物提供者的恶意聚集度；如果待识别订单的目标货物有多个，则需要根据货物恶意聚集度模型确定每个目标货物的恶意聚集度，然后将多个目标货物的恶意聚集度的平均值作为待识别订单的目标货物的恶意聚集度。

另外，为了更准确定待识别订单是否是恶意订单，还可以利用恶意类型识别模型确定待识别订单的恶意类型。可预先针对每种恶意类型设定一个恶意度阈值，当确定了待识别订单的恶意类型后，可以将待识别订单的恶意度与该恶意类型对应的恶意度阈值进行比较，如果待识别订单的恶意度大于该恶意类型对应的恶意度阈值，则确定待识别订单是恶意订单，否则确定待识别订单不是恶意订单。这种基于恶意类型设置不同的恶意度阈值的方法，可以针对性质较为恶劣的恶意类型设置较低的恶意度阈值，从而减少漏识别此种类型的恶意订单的风险，针对性质不太恶劣的恶意类型设置较高的恶意度阈值，从而减少误识别此种类型的恶意订单的风险。

以上对本发明提供的技术方案中，可以使用到的数据、生成的模型、以及模型的使用进行了详细介绍，以下结合具体的实施例对本发明提供的方法进行详细说明：

实施例一

参见图5，图5是本发明实施例一恶意订单识别方法流程图，如图5所示，该方法包括主要包括以下步骤：

步骤501、预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型。

本发明实施例中，所述订单信息包括订单属性信息和作为恶意类别衡量因素的交易信息，所述交易信息包括的下单时间、下单金额、优惠信息、支付延迟时长、和/或目标货物所属品类。优惠信息包括优惠活动信息和优惠比例。

本发明实施例中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、和/或目标货物信息和目标货物的恶意聚集度。

为了识别恶意订单，需要预先获取生成恶意订单识别模型所需的大量训练样本，然后基于训练样本生成恶意订单识别模型。本发明实施例中，将电商平台中当前时间之前的一段时间内(例如6个月)的订单(即历史订单)信息以及每一历史订单对应的关联信息和恶意标志作为训练样本，进行恶意订单识别模型的训练。

本发明实施例中，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步执行以下操作：

当所述关联信息包括下单账户信息时，预先获取账户信息和每一账户对应的恶意标志，根据获取的账户信息和每一账户对应的恶意标志生成账户恶意度模型；所述账户信息包括账户属性信息、账户评价信息和账户行为信息；其中，所述账户评价信息包括：账户价值、账户忠诚度、账户活跃度；所述账户行为信息包括：注册时间、支付卡绑定时间、最近一次登录时间及购买时间与当前时间的差值、以及最近预设时长内的购买次数、购买频率、购买总金额、恶意下单次数、恶意订单总金额、和预设单位时长内的消费变异度；

当所述关联信息包括目标货物提供者信息时，预先获取货物提供者信息和每一货物提供者对应的恶意标志，根据获取的货物提供者信息和每一货物提供者对应的恶意标志生成货物提供者恶意聚集度模型；所述货物提供者信息包括货物提供者属性信息和货物提供者交易信息。其中，货物提供者交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次交易时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长内的被恶意攻击变异度。

当所述关联信息包括目标货物信息时，预先获取货物信息和每一货物对应的恶意标志，根据获取的货物信息和每一货物对应的恶意标志生成货物恶意聚集度模型，所述货物信息包括货物属性信息和货物所属品类的交易信息。其中，首次被恶意攻击时间与当前时间的差值、最近一次被购买时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长的被恶意攻击变异度。

步骤502、获取待识别订单信息，以及获取待识别订单对应的关联信息。

本发明实施例中，所述获取待识别订单对应的关联信息，具体可以采用如下方法：

当所述关联信息包括下单账户信息时，获取待识别订单的下单账户信息，将获取的下单帐户信息输入账户恶意度模型，得到待识别订单的下单账户的恶意度；

当所述关联信息包括目标货物提供者信息时，获取待识别订单的目标货物提供者信息，将获取的目标货物提供者信息输入货物提供者恶意聚集度模型，得到待识别订单的目标货物提供者的恶意聚集度；

当所述关联信息包括目标货物信息时，获取待识别订单的目标货物信息，将获取的目标货物信息输入货物恶意聚集度模型，得到待识别订单的目标货物的恶意聚集度。

步骤503、将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度。

步骤504、根据待识别订单的恶意度判断待识别订单是否是恶意订单。

本发明实施例中，可预先设置一恶意度阈值，当待识别订单的恶意度大于此恶意度阈值时，可认为待识别订单是恶意订单，当待识别订单的恶意度不大于此恶意度阈值时，可认为待识别订单不是恶意订单。

图5所示本发明实施例中，由于将账户恶意度模型、货物提供者恶意聚集度模型、货物恶意聚集度模型与订单自身维度特性进行组合最终生成恶意订单识别模型，使用这种恶意订单识别模型对订单进行恶意度识别时，既不存在基于规则的恶意订单判别方法存在的因恶意度判定结果虚高或虚低而导致的误判问题，又可以克服现有只从基于订单维度属性的恶意订单识别二分类模型存在的片面性问题，精准度较高。

实施例二

参见图6，图6是本发明实施例二恶意订单识别方法流程图，如图6所示，该方法包括主要包括以下步骤：

步骤601、预先获取历史订单信息、每一历史订单对应的关联信息、以及每一历史订单对应的恶意标志和恶意类型，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型，并根据获取的历史订单信息和每一历史订单对应的恶意类型生成恶意类型识别模型。

这里，当某一历史订单不是恶意订单时，该历史订单无对应的恶意类型值或对应的恶意类型值为预设的代表无恶意的值(例如0)；

本发明实施例中，所述订单信息包括作为恶意类别衡量因素的支付信息，所述支付信息包括的下单时间、下单金额、优惠信息、支付延迟时长、和/或目标货物所属品类。优惠信息包括优惠活动信息和优惠比例。

本发明实施例中，所述关联信息包括以下信息中的一组或多组：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、目标货物信息及目标货物的恶意聚集度。

为了识别恶意订单，需要预先获取生成恶意订单识别模型所需的大量训练样本，然后基于训练样本生成恶意订单识别模型。本发明实施例中，将电商平台中当前时间之前的一段时间内(例如6个月)的订单(即历史订单)信息、每一历史订单对应的关联信息和恶意标志作为训练样本，进行恶意订单识别模型的训练。

本发明实施例中，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志后生成恶意订单识别模型时，进一步执行以下操作：

当所述关联信息包括下单账户信息时，预先获取账户信息和每一账户的恶意标志，根据获取的账户信息和每一账户的恶意标志生成账户恶意度模型；所述账户信息包括账户属性信息、账户评价信息和账户行为信息；其中，所述账户评价信息包括：账户价值、账户忠诚度、账户活跃度；所述账户行为信息包括：注册时间、支付卡绑定时间、最近一次登录时间及购买时间与当前时间的差值、以及最近预设时长内的购买次数、购买频率、购买总金额、恶意下单次数、恶意订单总金额、和预设单位时长内的消费变异度；

当所述关联信息包括目标货物提供者信息时，预先获取货物提供者信息和每一货物提供者的恶意标志，根据获取的货物提供者信息和每一货物提供者的恶意标志生成货物提供者恶意聚集度模型；所述货物提供者信息包括货物提供者属性信息和货物提供者交易信息。其中，货物提供者交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次交易时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长内的被恶意攻击变异度。

当所述关联信息包括目标货物信息时，预先获取货物信息和每一货物的恶意标志，根据获取的货物信息和每一货物的恶意标志生成货物恶意聚集度模型，所述货物信息包括货物属性信息和货物所属品类的交易信息。其中，首次被恶意攻击时间与当前时间的差值、最近一次被购买时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长的被恶意攻击变异度。

步骤602、获取待识别订单信息，以及获取确定待识别订单对应的关联信息。

本发明实施例中，所述待识别订单对应的关联信息，具体可以采用如下方法：

当所述关联信息包括下单账户信息时，获取待识别订单的下单账户信息，将获取的下单帐户信息输入账户恶意度模型，得到待识别订单的下单账户的恶意度；

当所述关联信息包括目标货物提供者信息时，获取待识别订单的目标货物提供者信息，将获取的目标货物提供者信息输入货物提供者恶意聚集度模型，得到待识别订单的目标货物提供者的恶意聚集度；

当所述关联信息包括目标货物信息时，获取待识别订单的目标货物信息，将获取的目标货物信息输入货物恶意聚集度模型，得到待识别订单的目标货物的恶意聚集度。

步骤603、将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度，并将待识别订单信息输入到所述恶意类型识别模型，得到待识别订单的恶意类型。

步骤604、根据待识别订单的恶意度和恶意类型判断待识别订单是否是恶意订单。

本发明实施例中，根据待识别订单的恶意度判断待识别订单是否是恶意订单时，进一步将待识别订单的恶意类型作为判断待识别订单是否是恶意订单的影响因子。具体地，可预先针对每一恶意类型设置一恶意度阈值，当待识别订单的恶意度大于待识别订单的恶意类型对应的恶意度阈值时，可认为待识别订单是恶意订单，当待识别订单的恶意度不大于待识别订单的恶意类型对应的恶意度阈值时，可认为待识别订单不是恶意订单。

图6所示本发明实施例，除了具有图5所示本发明实施例的精准度高的优点外，还将恶意类型参与到恶意订单识别过程中，可以使得提高性质较为恶劣的恶意订单的识别率，以及提高性质不太恶劣的恶意订单的精准度。

本发明实施例还提供了一种恶意订单识别装置，以下结合图7进行详细说明。

参见图7，图7是本发明实施例恶意订单识别装置的结构示意图，如图7所示，该装置包括：

生成单元701，用于预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者恶意聚集度、和/或目标货物信息及目标货物恶意聚集度；

获取单元702，用于获取待识别订单信息，以及获取待识别订单对应的关联信息；

处理单元703，用于将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；

判定单元704，用于根据待识别订单的恶意度判断待识别订单是否是恶意订单。

图7所示装置中，

所述生成单元701，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志时，进一步获取该历史订单对应的恶意类型，其中，当该历史订单不是恶意订单时，该历史订单无对应的恶意类型值或对应的恶意类型值为预设的代表无恶意的类型值；

所述生成单元701，根据获取的历史订单信息‘每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步根据获取的历史订单信息和每一历史订单对应的恶意类型生成恶意类型识别模型；

所述处理单元703，将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度时，进一步将待识别订单信息输入到所述恶意类型识别模型，得到待识别订单的恶意类型；

所述判定单元704，根据待识别订单的恶意度判断待识别订单是否是恶意订单时，进一步将待识别订单的恶意类型作为判断待识别订单是否是恶意订单的影响因子。

图7所示装置中，

所述订单信息包括作为恶意类别衡量因素的交易信息，所述交易信息包括的下单时间、下单金额、优惠比例、支付延迟时长、和/或目标货物所属品类。

图7所示装置中，

所述生成单元701，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步执行以下操作：

当所述关联信息包括下单账户信息时，预先获取账户信息和每一账户的恶意标志，根据获取的账户信息和每一账户的恶意标志生成账户恶意度模型；所述账户信息包括账户属性信息、账户评价信息和账户行为信息；

当所述关联信息包括目标货物提供者信息时，预先获取货物提供者信息和每一货物提供者对应的恶意标志，根据获取的货物提供者信息和每一货物提供者对应的恶意标志生成货物提供者恶意聚集度模型；所述货物提供者信息包括货物提供者属性信息和货物提供者交易信息；

当所述关联信息包括目标货物信息时，预先获取货物信息和每一货物信息对应的恶意标志，根据获取的货物信息和每一货物信息对应的恶意标志生成货物恶意聚集度模型，所述货物信息包括货物属性信息和货物所属品类的交易信息。

图7所示装置中，

所述账户评价信息包括：账户价值、账户忠诚度、账户活跃度；

所述账户行为信息包括：注册时间、支付卡绑定时间、最近一次登录时间及购买时间与当前时间的差值、以及最近预设时长内的购买次数、购买频率、购买总金额、恶意下单次数、恶意订单总金额、和预设单位时长内的消费变异度；

所述货物提供者交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次交易时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长内的被恶意攻击变异度；

所述货物所属品类的交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次被购买时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长的被恶意攻击变异度。

图7所示装置中，

所述获取单元702，获取待识别订单对应的关联信息时，用于：

当所述关联信息包括下单账户信息时，获取待识别订单的下单账户账户信息，将获取的下单帐户信息输入账户恶意度模型，得到待识别订单的下单账户的恶意度；

当所述关联信息包括目标货物提供者信息时，获取待识别订单的目标货物提供者信息，将获取的目标货物提供者信息输入货物提供者恶意聚集度模型，得到待识别订单的目标货物提供者的恶意聚集度；

当所述关联信息包括目标货物信息时，获取待识别订单的目标货物信息，将获取的目标货物信息输入货物恶意聚集度模型，得到待识别订单的目标货物的恶意聚集度。

本发明实施例还提供了一种电子设备，如图8所示，电子设备800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；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如图5及图6所示的方法中的步骤。

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如图5及图6所示的方法。

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 (14)

1.一种恶意订单识别方法，其特征在于，该方法包括：

预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户恶意度、目标货物提供者信息及目标货物提供者恶意聚集度、和/或目标货物信息及目标货物恶意聚集度；

获取待识别订单信息、以及获取待识别订单对应的关联信息；

将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；

根据待识别订单的恶意度判断待识别订单是否是恶意订单。

2.根据权利要求1所述的方法，其特征在于，

预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志时，进一步获取该历史订单对应的恶意类型，其中，当该历史订单不是恶意订单时，该历史订单无对应的恶意类型或对应的恶意类型为预设的代表无恶意的类型值；

根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步根据获取的历史订单信息和每一历史订单对应的恶意类型生成恶意类型识别模型；

将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度时，进一步将待识别订单信息输入到所述恶意类型识别模型，得到待识别订单的恶意类型；

根据待识别订单的恶意度判断待识别订单是否是恶意订单时，进一步将待识别订单的恶意类型作为判断待识别订单是否是恶意订单的影响因子。

3.根据权利要求2所述的方法，其特征在于，

所述订单信息包括订单属性信息和作为恶意类别衡量因素的交易信息，所述交易信息包括的下单时间、下单金额、优惠信息、支付延迟时长、和/或目标货物所属品类。

4.根据权利要求1所述的方法，其特征在于，

预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步执行以下操作：

当所述关联信息包括下单账户信息时，预先获取账户信息和每一账户的恶意标志，根据获取的账户信息和每一账户的恶意标志生成账户恶意度模型；所述账户信息包括账户属性信息、账户评价信息和账户行为信息；

当所述关联信息包括目标货物提供者信息时，预先获取货物提供者信息和每一货物提供者的恶意标志，根据获取的货物提供者信息和每一货物提供者的恶意标志生成货物提供者恶意聚集度模型；所述货物提供者信息包括货物提供者属性信息和货物提供者交易信息；

当所述关联信息包括目标货物信息时，预先获取货物信息和每一货物的恶意标志，根据获取的货物信息和每一货物的恶意标志生成货物恶意聚集度模型，所述货物信息包括货物属性信息和货物所属品类的交易信息。

5.根据权利要求4所述的方法，其特征在于，

所述账户评价信息包括：账户价值、账户忠诚度、账户活跃度；

所述账户行为信息包括：注册时间、支付卡绑定时间、最近一次登录时间及购买时间与当前时间的差值、以及最近预设时长内的购买次数、购买频率、购买总金额、恶意下单次数、恶意订单总金额、和预设单位时长内的消费变异度；

所述货物提供者交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次交易时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长内的被恶意攻击变异度；

所述货物所属品类的交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次被购买时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长的被恶意攻击变异度。

6.根据权利要求4所述的方法，其特征在于，

所述获取待识别订单对应的关联信息和的方法为：

当所述关联信息包括下单账户信息时，获取待识别订单的下单账户信息，将获取的下单账户信息输入账户恶意度模型，得到待识别订单的下单账户的恶意度；

当所述关联信息包括目标货物提供者信息时，获取待识别订单的目标货物提供者信息，将获取的目标货物提供者信息输入货物提供者恶意聚集度模型，得到待识别订单的目标货物提供者的恶意聚集度；

当所述关联信息包括目标货物信息时，获取待识别订单的目标货物信息，将获取的目标货物信息输入货物恶意聚集度模型，得到待识别订单的目标货物的恶意聚集度。

7.一种恶意订单识别装置，其特征在于，该装置包括：

生成单元，用于预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型；其中，所述关联信息包括：下单账户信息及下单账户的恶意度、目标货物提供者信息及目标货物提供者的恶意聚集度、和/或目标货物信息及目标货物的恶意聚集度；

获取单元，用于获取待识别订单信息，以及获取待识别订单对应的关联信息；

处理单元，用于将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度；

判定单元，用于根据待识别订单的恶意度判断待识别订单是否是恶意订单。

8.根据权利要求7所述的装置，其特征在于，

所述生成单元，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志时，进一步获取该历史订单对应的恶意类型，其中，当该历史订单不是恶意订单时，该历史订单无对应的恶意类型或对应的恶意类型为预设的代表无恶意的类型值；

所述生成单元，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步根据获取的历史订单信息和每一历史订单对应的恶意类型生成恶意类型识别模型；

所述处理单元，将待识别订单信息和待识别订单对应的关联信息输入所述恶意订单识别模型，得到待识别订单的恶意度时，进一步将待识别订单信息输入到所述恶意类型识别模型，得到待识别订单的恶意类型；

所述判定单元，根据待识别订单的恶意度判断待识别订单是否是恶意订单时，进一步将待识别订单的恶意类型作为判断待识别订单是否是恶意订单的影响因子。

9.根据权利要求8所述的装置，其特征在于，

所述订单信息包括订单属性信息和作为恶意类别衡量因素的交易信息，所述交易信息包括的下单时间、下单金额、优惠信息、支付延迟时长、和/或目标货物所属品类。

10.根据权利要求7所述的装置，其特征在于，

所述生成单元，预先获取历史订单信息、每一历史订单对应的关联信息和恶意标志，根据获取的历史订单信息、每一历史订单对应的关联信息和恶意标志生成恶意订单识别模型时，进一步执行以下操作：

当所述关联信息包括下单账户信息时，预先获取账户信息和每一账户的恶意标志，根据获取的账户信息和每一账户的恶意标志生成账户恶意度模型；所述账户信息包括账户属性信息、账户评价信息和账户行为信息；

当所述关联信息包括目标货物提供者信息时，预先获取货物提供者信息和每一货物提供者的恶意标志，根据获取的货物提供者信息和每一货物提供者的恶意标志生成货物提供者恶意聚集度模型；所述货物提供者信息包括货物提供者属性信息和货物提供者交易信息；

当所述关联信息包括目标货物信息时，预先获取货物信息和每一货物的恶意标志，根据获取的货物信息和每一货物的恶意标志生成货物恶意聚集度模型，所述货物信息包括货物属性信息和货物所属品类的交易信息。

11.根据权利要求10所述的装置，其特征在于，

所述账户评价信息包括：账户价值、账户忠诚度、账户活跃度；

所述账户行为信息包括：注册时间、支付卡绑定时间、最近一次登录时间及购买时间与当前时间的差值、以及最近预设时长内的购买次数、购买频率、购买总金额、恶意下单次数、恶意订单总金额、和预设单位时长内的消费变异度；

所述货物提供者交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次交易时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长内的被恶意攻击变异度；

所述货物所属品类的交易信息包括：首次被恶意攻击时间与当前时间的差值、最近一次被购买时间及被恶意攻击时间与当前时间的差值、以及最近预设时长内被恶意攻击次数、被恶意订单索赔的总金额、和预设单位时长的被恶意攻击变异度。

12.根据权利要求10所述的装置，其特征在于，

所述确定单元，获取待识别订单对应的关联信息时，用于：

当所述关联信息包括下单账户信息时，获取待识别订单的下单账户信息，将获取的下单账户信息输入账户恶意度模型，得到待识别订单的下单账户的恶意度；

当所述关联信息包括目标货物提供者信息时，获取待识别订单的目标货物提供者信息，将获取的目标货物提供者信息输入货物提供者恶意聚集度模型，得到待识别订单的目标货物提供者的恶意聚集度；

当所述关联信息包括目标货物信息时，获取待识别订单的目标货物信息，将获取的信息输入货物恶意聚集度模型，得到待识别订单的目标货物的恶意聚集度。

13.一种电子设备，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1-6任一权项所述的方法步骤。

14.一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1-6中任一项所述的方法。

Images