CN112967061A - 具有交易性格的用户行为识别方法 - Google Patents
具有交易性格的用户行为识别方法 Download PDFInfo
- Publication number
- CN112967061A CN112967061A CN202110228431.3A CN202110228431A CN112967061A CN 112967061 A CN112967061 A CN 112967061A CN 202110228431 A CN202110228431 A CN 202110228431A CN 112967061 A CN112967061 A CN 112967061A
- Authority
- CN
- China
- Prior art keywords
- user
- transaction
- cautious
- behavior
- calculating
- 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
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种具有交易性格的用户行为识别方法,从用户交易行为基准、用户谨慎画像以及基于交易行为和谨慎度的距离关系建立具有交易性格的用户行为识别模型,从而实现行为识别。基于交易数据和交互数据,从交易行为和交易性格的角度,对用户进行刻画。本发明方法,可以有效检测电子交易中的欺诈行为。从实用性角度出发,通过交易行为和基准、谨慎度和画像、关系模型和风险阈值建立了识别框架,为解决欺诈交易检测提供了技术支持。
Description
技术领域
本发明涉及一种信息技术领域,特别涉及一种具有交易性格的用户行为识别方法。
背景技术
近年来随着全球市场的移动化,金融和商品交易的信息化,在移动互联网中,数字金融和电子商务两大领域暴露的欺诈风险问题也越来越严峻。当前移动欺诈的主要欺诈形式包括虚假用户诈骗,窃取信息诈骗,恶意交易诈骗,金融支付欺诈,网络刷单欺诈,电信欺诈,网贷欺诈等。
基于交易行为的用户行为识别算法在电子交易欺诈检测领域应用的十分广泛。在交易行为识别研究中,Bahnsen,A.C.,Yu,Xie,Lutao,Zheng和Kultur,Y.等人分别以交易时间及其周期性、交易频率、金额及其衍生特征等多个维度构建用户行为证书。另外,Changjun,Jiang等将用户聚类分为高中低消费群体,基于滑动时间窗内的交易提取交易频率和金额等特征,并加入反馈机制构建用户行为模型。Lutao,Zheng等基于用户的历史交易记录提取用户的行为档案(BP)和属性状态,结合行为信息熵构建用户欺诈检测模型。Kultur,Y.等通过多种模型的综合决策投票机制,可以根据不同的策略和期望进行选择。这些通过交易数据建立用户交易行为证书的方法在用户行为识别领域都有一定的效果。
而在基于交互行为的用户行为识别算法的研究中,Kooti,F.,Bansal,S.,G.,Lu,Chen和Yunghui,Chu等人通过点击事件、页面停留时间、浏览序列等特征构建用户行为模型。在推荐领域,Li,Xin等人则通过获取地理位置和时间等上下文信息建立用户行为模式,从而发现用户的兴趣。Chang-Dong,Wang借助同类中领导者的行为迁移给目标用户达到偶然行为预测的目的。而Gongqi,Lin以用户关注点和物品知识的角度进行交易因果关系建模,依据相同因果关系类中的用户交易记录,预测用户行为。但是用户的行为在不同心理情境下时不同的,这些基于行为分析的方法只关注行为模型,没有充分考虑交易过程中用户的行为性格的影响,影响了对行为的准确识别。当面对全新的情景时,两种类型的模型效果就大大降低,出现误判的情况。
在这种情况下,精准识别用户行为是电子交易欺诈检测领域非常重要的一个研究方向。心理学认为,性格是每个人特有的,可以对个人外显的行为、态度提供统一的、内在的解释,是个性心理特征中最重要的方面。假设反欺诈学习是对一个人认识的过程,那么只借助模型学习到的用户行为特征作为对一个人的刻画是不准确的,这种方法忽略了对人个性化心理特征的刻画。同时说明了反欺诈学习的过程不仅要了解用户的行为特征,还要考虑到用户的性格因素。
而目前对于用户性格的研究实质上是一种迫选型、自我报告式的性格评估模型,需要通过测试问题,将回答归类,最后根据得分确定性格。如MBTI和Five-Factor Model。当然,近几年随着个性化推荐、语音识别和图文识别的推广,结合各方数据,这些模型出现的新的应用。Melchiorre,Alessandro B等人通过第三方测试得到五因素模型的性格评估结果,结合偏好音轨的特征进行相关性分析,得到性格与音乐之间的关系,实现个性化的音乐推荐。Talhi,Said等人借助学生信息、MBTI测试的性格分类结果、课程完成效果以及历史信息进行建模,综合考虑学士性格和学生能力确定每个学生的个性化培养方案。但并没有改变这些传统心理学理论模型基于问答测试的评估方式,使用场景仍受到限制。缺少可用的性格模型,无法实时对用户的性格进行识别。
因此,由于忽略用户性格因素和缺少适合的性格模型,造成的识别性能上的局限性,不能精准识别用户行为,尤其是用户面临新场景时的行为和偶发行为。
发明内容
本发明是针对互联网交易中信息识别的问题,提出了一种具有交易性格的用户行为识别方法,从用户的交易性格出发,考虑用户行为受心理因素的影响,为每一个用户建立具有交易性格的用户行为识别方法,综合谨慎心理和行为模式对用户交易进行识别。
本发明的技术方案为一种具有交易性格的用户行为识别方法,具体包括如下步骤:
1)基于交易数据建立用户交易行为基准:从用户的交易数据中提取用户属性,通过多个维度构建用户的交易行为基准,以用户交易行为习惯的角度刻画用户;
2)基于交互数据建立用户谨慎画像:基于用户的交互数据提取谨慎因子,并构建用户的谨慎度模型,通过计算用户的谨慎度,形成用户的谨慎画像,以用户的交易性格的谨慎维度刻画用户;
3)具有交易性格的用户行为识别模型:考虑用户行为和性格之间的关系,将交易数据输入,计算用户交易到交易行为基准的距离以及用户谨慎度到谨慎画像的距离,设置初始风险阈值,将此两距离数据送入关系模型DMCB,以两距离小于风险阈值判断该笔交易符合用户的行为对关系模型DMCB进行训练,训练后得到用户的风险阈值所形成的接受域,形成具有交易性格的用户行为识别模型,用于进行用户行为识别。
优选的:所述步骤1)建立用户交易行为基准的具体步骤如下:
1.1)提取用户的历史交易数据:从历史交易数据库中提取用户u的历史正常交易日志Tu作为该部分的输入;
1.2)计算交易金额属性TPR:
提取每笔交易的金额,针对金额计算每个区间的概率,反映用户的日常消费的金额区间;
1.3)计算交易对象类型属性CGP:
提取每笔交易的交易对象类型,针对每种类型,进行区间概率统计,反映用户对每种商品类型的发生交易概率;
1.4)计算对象价位水平属性GPL:
根据每笔交易的金额在同类交易中的价位水平进行价位区间的统计,反映用户消费等级的偏好;
1.5)计算交易时间间隔属性TDD:
提取每笔交易距离上笔交易的时间间隔,通过步骤1.3)的计算方式,反映用户消费频率;
1.6)计算同类交易时间间隔属性CTDD:
基于不同类型的交易时间,以细粒度的属性对用户的交易时间属性进行刻画;
1.7)计算交易日期属性TIW:
提取交易的时间集合,计算用户工作日和非工作日的交易概率,得到用户交易日期区间的习惯;
1.8)计算会话交易笔数属性STC:
横向的看待用户的交易,每次会话中每个用户的每次消费的笔数是有上限的,通过提取用户每次会话的交易笔数,得到其消费笔数上限和各区间的概率;
1.9)构建用户交易行为基准BHU
根据1.2)-1.8)步骤提取用户的交易行为,得到用户在各个维度的发生交易的概率区间,从而构建7维的用户交易行为基准BHU,其中BHU=(TPR,CGP,GPL,TDD,CTDD,TIW,STC)。
优选的:所述步骤2)建立用户谨慎画像的具体步骤如下:
2.1)提取用户的历史正常交互数据:
从历史交互数据库中,提取用户u的历史正常交互数据Su作为该部分的输入。
2.2)计算历史浏览谨慎度BCH:
从用户的所有交互数据中,计算用户u历史交互数据中与交易商品gi同一类别cj的商品的浏览次数与对此次交易前该类型所有商品用户历史发生的所有交互行为总次数的比值,所有交互行为包括浏览行为、加购行为、收藏行为,获取历史浏览谨慎度,其中i表示某件交易商品,j表示某种类型的商品;
2.3)计算购前同类对比度CPP:
根据用户每次会话的交互数据,计算用户u在会话中所有与成功交易的商品gi同类cj商品的浏览时间与会话时间比,获得购前同类对比度,从时间上刻画用户u在此次会话中交易商品的谨慎程度;
2.4)计算同类挖掘度CPH:
结合用户的所有交互数据,计算用户u在某次会话中成功交易商品gi所属类别cj的所有同类商品中用户浏览过的商品数量比,获得同类挖掘度,通过同类商品的挖掘数量比来刻画用户在购买前用户对某类商品的谨慎程度;
2.5)构建用户的谨慎度模型CAU:
通过步骤2.2)-2.4),根据用户u正常行为记录Su和同类商品信息c,用CAUu=(BCH,CPP,CPH)来构建用户u谨慎度模型,计算用户每笔交易的谨慎度。
本发明的有益效果在于:本发明具有交易性格的用户行为识别方法,基于交易数据和交互数据,从交易行为和交易性格的角度,对用户进行刻画。本发明方法,可以有效检测电子交易中的欺诈行为。从实用性角度出发,通过交易行为和基准、谨慎度和画像、关系模型和风险阈值建立了识别框架,为解决欺诈交易检测提供了技术支持。
附图说明
图1为本发明具有交易性格的用户行为识别系统框架流程图;
图2为本发明构建用户交易行为基准BHU的流程图;
图3为本发明建立用户谨慎画像TCV的流程图;
图4为本发明构建具有交易性格的用户行为识别模型的流程图;
图5为本发明具有交易性格的用户行为识别方法的电子交易模拟检测流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示具有交易性格的用户行为识别系统框架流程图,本发明具有交易性格的用户行为识别方法从用户交易行为基准、用户谨慎画像以及基于交易行为和谨慎度的距离关系建立具有交易性格的用户行为识别模型,从而实现行为识别。方法具体包括如下步骤:
(1)基于交易数据的用户交易行为基准(S101-S103)。从用户的交易数据中提取用户属性,通过多个维度构建用户的交易行为基准。以用户交易行为习惯的角度刻画用户。
(2)基于交互数据的用户谨慎画像(S201-S203)。基于用户的交互数据提取谨慎因子,并构建用户的谨慎度模型。通过计算用户的谨慎度,形成用户的谨慎画像,以用户的交易性格的谨慎维度刻画用户。
(3)具有交易性格的用户行为识别模型(S301-S304)。考虑用户行为和性格之间的关系,将数据输入,基于用户交易到交易行为基准的距离和用户谨慎度到谨慎画像的距离对关系模型DMCB进行训练。结合谨慎性格和交易行为习惯,共同刻画用户,并将交易映射到关系模型中。基于关系模型DMCB,结合训练得到用户的风险阈值所形成的接受域,形成具有交易性格的用户行为识别方法。
在用户行为识别的任务上,电子交易欺诈检测方法实现的关键在于:一方面欺诈手段种类多、变化周期短,当出现用户信息泄露和教唆欺诈的情况,仅依靠提取用户行为建立的判别模型无法准确识别其合法性;同时,传统的用户性格模型不具有实时性,只能通过问答的方式分析,无法达到实时检测的要求。针对上述问题,本发明联合交易行为和谨慎性格,从行为模式和交易性格的角度对用户刻画,实现对用户行为精准识别的目的,建立了本发明的行为识别方法。
如图2所示构建用户交易行为基准BHU的流程图,建立交易行为基准:从用户历史交易数据库中,提取用户的正常交易数据,考虑金额、类型和时间等常规属性,还考虑了价位水平偏好的变化、同类交易时间和会话交易笔数等属性,更加充分的描述了用户的用户交易行为。具体实现步骤如下:
S401、提取用户的历史交易数据:
从历史交易数据库中提取用户u的历史正常交易日志Tu作为该部分的输入。
S402、交易行为提取:
基于用户的历史正常交易日志Tu按照S403-S409进行用户交易行为的提取。
S403、计算交易金额属性TPR:
提取每笔交易的金额,针对金额计算每个区间的概率,反映用户的日常消费的金额区间。
S404、计算交易对象类型属性CGP:
提取每笔交易的交易对象类型(商品类型),针对每种类型,进行区间概率统计,反映用户对每种商品类型的发生交易概率。
S405、计算对象价位水平属性GPL:
根据每笔交易的金额在同类交易中的价位水平进行价位区间的统计,反映用户消费等级的偏好。
S406、计算交易时间间隔属性TDD:
提取每笔交易距离上笔交易的时间间隔,通过S404的计算方式,反映用户消费频率。
S407、计算同类交易时间间隔属性CTDD:
虽然S406计算了交易时间间隔属性,但是,精度只是粗粒度的,用户对每种类型的需求是有限的,所以CTDD考虑从同类的交易时间间隔属性。基于不同类型的交易时间,以细粒度的属性对用户的交易时间属性进行刻画。
S408、计算交易日期属性TIW:
提取交易的时间集合,计算用户工作日和非工作日的交易概率,得到用户交易日期区间的习惯。
S409、计算会话交易笔数属性STC:
横向的看待用户的交易,每次会话中每个用户的每次消费的笔数是有上限的。通过提取用户每次会话的交易笔数,可以得到其消费笔数上限和各区间的概率。
S410、构建用户交易行为基准BHU
根据S403-S409步骤提取用户的交易行为,可以得到用户在各个维度的发生交易的概率区间,从而构建7维的用户交易行为基准BHU,其中BHU=(TPR,CGP,GPL,TDD,CTDD,TIW,STC)。
如图3所示建立用户谨慎画像TCV的流程图,建立谨慎度模型。通过从交互数据中提取用户谨慎因子,考虑用户在交易时表现的性格,借助行为反映用户的交易性格变化,从而构建了用户的谨慎度模型,具体实现步骤如下:
S501、提取用户的历史正常交互数据:
从历史交互数据库中,提取用户u的历史正常交互数据Su作为该部分的输入。
S502、提取谨慎因子:
基于用户的历史正常交互数据,通过S503-S505提取谨慎因子。
S503、计算历史浏览谨慎度BCH:
从用户的所有交互数据中,计算用户u历史交互数据中与交易商品gi同一类别cj的商品的浏览次数与对此次交易前该类型所有商品用户历史发生的浏览行为、加购行为、收藏行为等所有交互行为总次数的比值,从历史浏览的角度刻画用户历史行为中浏览的谨慎程度。其中i表示某件交易商品,j表示某种类型的商品,后续的表示含义一样。不同于商品转化率关注浏览多少次发生一笔交易,BCH重点关注是发生一笔交易需要浏览多少次,同时避免了其数值过大造成负面影响。
S504、计算购前同类对比度CPP:
根据用户每次会话的交互数据,计算用户u在会话中所有与成功交易的商品gi同类cj商品的浏览时间与会话时间比,从时间上刻画用户u在此次会话中交易商品的谨慎程度。
S505、计算同类挖掘度CPH:
结合用户的所有交互数据,计算用户u在某次会话中成功交易商品gi所属类别cj的所有同类商品中用户浏览过的商品数量比,通过同类商品的挖掘数量比来刻画用户在购买前用户对某类商品的谨慎程度。
S506、构建用户的谨慎度模型CAU:
通过S503-S506步骤,可以根据用户u正常行为记录Su和同类商品信息c,用CAUu=(BCH,CPP,CPH)来构建用户u谨慎度模型,计算用户每笔交易的谨慎度。
S507、划分谨慎度等级:
使用计算交易行为基准的区间划分方式,对用户的谨慎度的等级进行划分。
S508、构建谨慎画像TCV:
用求得交易行为基准的区间概率的方式,构建3维的用户谨慎性格画像TCV。
如图4所示构建具有交易性格的用户行为识别模型的流程图,建立具有交易性格的用户行为识别模型。一方面,从交易行为的角度计算该笔交易到交易行为基准的距离;另一方面,从性格的角度计算谨慎向量和谨慎画像的距离。然后基于距离训练用户的关系模型,并通过训练得到风险阈值。最后,建立具有交易性格的用户行为识别模型。,具体实现步骤如下:
S601、提取用户历史交易数据:
从用户历史交易数据库中提取用户的历史交易数据。
S602、形成交易行为向量:
提取每笔交易数据的特征并按照基准中每个属性对应的规则进行匹配,形成7维的交易行为向量。
S603、计算交易行为向量和基准的距离:
从交易行为的角度,计算每笔交易到交易行为基准的距离,并作为S608的一部分输入。
S604、提取用户历史交互数据:
从用户历史交互数据库中提取用户的历史交互数据。
S605、计算谨慎度:
根据每笔交易的谨慎因子计算用户的谨慎度
S606、形成谨慎向量:
提取每笔交易的用户的谨慎度,对应谨慎画像的每个谨慎因子对应的进行匹配,形成3维的谨慎向量。
S607、计算谨慎向量和画像的距离:
从交易性格的角度,计算每笔交易的谨慎度到谨慎画像的距离,并作为S608的一部分输入。
S608、训练关系模型DMCB:
根据输入每笔交易的交易行为向量到交易行为基准的距离x和谨慎向量到谨慎画像的距离y,训练关系模型DMCB,挖掘二者的关系。
S609、设置风险阈值threshold:
设置风险阈值threshold,进行风险阈值的初始化,作为行为识别模型的输入。此时的风险阈值threshold表示关系模型DMCB将待评定交易视为正常交易可接受的误差界限。通过S610-S613调整风险阈值,直至确定该用户的最佳风险阈值。
S610、输入行为识别模型g(x,y)
在关系模型DMCB的基础上加入风险阈值threshold,得到行为识别模型g(x,y)。g(x,y)将一笔交易通过关系模型DMCB向用户的交易行为基准和谨慎画像进行映射,借助判断误差值是否大于风险阈值threshold判定该笔交易的状态是否异常。
因此,对每笔交易的输入值x、y和threshold,当g(x,y)>threshold时,该笔交易与用户原有的交易行为基准和谨慎画像误差大于可接受的误差界限,即风险阈值threshold,进行S612步骤。否则则认为该笔交易符合用户的行为,进行S611步骤。
S611、放行:
认为该笔交易符合用户的行为和性格,将该笔交易的状态判定为放行。
S612、拦截:
认为该笔交易不符合用户的行为和性格,将该笔交易的状态判定为拦截。
S6013、结果收集:
若模型效果达到预期结果,结束训练,否则回到S609,调整风险阈值threshold。
本发明所述的用户行为识别方法及系统可以应用到大规模存在对比的实时网络服务系统中,本发明得到了国内某主流电商交易平台数据集的实验验证,通过基于交易性格的用户行为识别模型实现在线欺诈交易检测流程。具体方法描述图5。
以国内某主流电商交易平台的真实的电子交易数据为例,数据集包含了2016年5月至2017年4月一年的B2C交易记录:
S1:随机选取70%的数据作为训练集,用于构建模型,其余的数据作为测试集,模拟实时交易场景,验证模型的性能;
S2:在训练集的数据中,通过用户交易行为基准建立部分和谨慎画像建立部分所描述的方法为每一个用户建立用户交易行为基准和谨慎画像;
S3:根据每笔交易的交易行为和谨慎度分别与交易行为基准和谨慎画像的距离建立关系模型,并计算误差,训练风险阈值,建立基于交易性格的用户行为识别模型。
S4:模拟测试实时交易数据输入建立好的识别模型之中,按照图5所示模拟交易流程进行交易检测,判断用户当前交易是否为欺诈交易。
Claims (3)
1.一种具有交易性格的用户行为识别方法,其特征在于,具体包括如下步骤:
1)基于交易数据建立用户交易行为基准:从用户的交易数据中提取用户属性,通过多个维度构建用户的交易行为基准,以用户交易行为习惯的角度刻画用户;
2)基于交互数据建立用户谨慎画像:基于用户的交互数据提取谨慎因子,并构建用户的谨慎度模型,通过计算用户的谨慎度,形成用户的谨慎画像,以用户的交易性格的谨慎维度刻画用户;
3)具有交易性格的用户行为识别模型:考虑用户行为和性格之间的关系,将交易数据输入,计算用户交易到交易行为基准的距离以及用户谨慎度到谨慎画像的距离,设置初始风险阈值,将此两距离数据送入关系模型DMCB,以两距离小于风险阈值判断该笔交易符合用户的行为对关系模型DMCB进行训练,训练后得到用户的风险阈值所形成的接受域,形成具有交易性格的用户行为识别模型,用于进行用户行为识别。
2.根据权利要求1所述具有交易性格的用户行为识别方法,其特征在于,所述步骤1)建立用户交易行为基准的具体步骤如下:
1.1)提取用户的历史交易数据:从历史交易数据库中提取用户u的历史正常交易日志Tu作为该部分的输入;
1.2)计算交易金额属性TPR:
提取每笔交易的金额,针对金额计算每个区间的概率,反映用户的日常消费的金额区间;
1.3)计算交易对象类型属性CGP:
提取每笔交易的交易对象类型,针对每种类型,进行区间概率统计,反映用户对每种商品类型的发生交易概率;
1.4)计算对象价位水平属性GPL:
根据每笔交易的金额在同类交易中的价位水平进行价位区间的统计,反映用户消费等级的偏好;
1.5)计算交易时间间隔属性TDD:
提取每笔交易距离上笔交易的时间间隔,通过步骤1.3)的计算方式,反映用户消费频率;
1.6)计算同类交易时间间隔属性CTDD:
基于不同类型的交易时间,以细粒度的属性对用户的交易时间属性进行刻画;
1.7)计算交易日期属性TIW:
提取交易的时间集合,计算用户工作日和非工作日的交易概率,得到用户交易日期区间的习惯;
1.8)计算会话交易笔数属性STC:
横向的看待用户的交易,每次会话中每个用户的每次消费的笔数是有上限的,通过提取用户每次会话的交易笔数,得到其消费笔数上限和各区间的概率;
1.9)构建用户交易行为基准BHU
根据1.2)-1.8)步骤提取用户的交易行为,得到用户在各个维度的发生交易的概率区间,从而构建7维的用户交易行为基准BHU,其中BHU=(TPR,CGP,GPL,TDD,CTDD,TIW,STC)。
3.根据权利要求1所述具有交易性格的用户行为识别方法,其特征在于,所述步骤2)建立用户谨慎画像的具体步骤如下:
2.1)提取用户的历史正常交互数据:
从历史交互数据库中,提取用户u的历史正常交互数据Su作为该部分的输入。
2.2)计算历史浏览谨慎度BCH:
从用户的所有交互数据中,计算用户u历史交互数据中与交易商品gi同一类别cj的商品的浏览次数与对此次交易前该类型所有商品用户历史发生的所有交互行为总次数的比值,所有交互行为包括浏览行为、加购行为、收藏行为,获取历史浏览谨慎度,其中i表示某件交易商品,j表示某种类型的商品;
2.3)计算购前同类对比度CPP:
根据用户每次会话的交互数据,计算用户u在会话中所有与成功交易的商品gi同类cj商品的浏览时间与会话时间比,获得购前同类对比度,从时间上刻画用户u在此次会话中交易商品的谨慎程度;
2.4)计算同类挖掘度CPH:
结合用户的所有交互数据,计算用户u在某次会话中成功交易商品gi所属类别cj的所有同类商品中用户浏览过的商品数量比,获得同类挖掘度,通过同类商品的挖掘数量比来刻画用户在购买前用户对某类商品的谨慎程度;
2.5)构建用户的谨慎度模型CAU:
通过步骤2.2)-2.4),根据用户u正常行为记录Su和同类商品信息c,用CAUu=(BCH,CPP,CPH)来构建用户u谨慎度模型,计算用户每笔交易的谨慎度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228431.3A CN112967061B (zh) | 2021-03-02 | 2021-03-02 | 具有交易性格的用户行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228431.3A CN112967061B (zh) | 2021-03-02 | 2021-03-02 | 具有交易性格的用户行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967061A true CN112967061A (zh) | 2021-06-15 |
CN112967061B CN112967061B (zh) | 2022-10-18 |
Family
ID=76276225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228431.3A Active CN112967061B (zh) | 2021-03-02 | 2021-03-02 | 具有交易性格的用户行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967061B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708183A (zh) * | 2023-11-08 | 2024-03-15 | 广州西米科技有限公司 | 一种基于用户消费习惯的潜在用户挖掘方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185457B1 (en) * | 2007-10-25 | 2012-05-22 | United Services Automobile Association (Usaa) | Transaction risk analyzer |
CN103412915A (zh) * | 2013-08-06 | 2013-11-27 | 复旦大学 | 一种面向金融高频交易数据的情景感知测定方法和系统 |
US20140258136A1 (en) * | 2013-03-07 | 2014-09-11 | Gregory Duane Ellis | Method for improving security of online transactions |
US20160132886A1 (en) * | 2013-08-26 | 2016-05-12 | Verafin, Inc. | Fraud detection systems and methods |
CN107563884A (zh) * | 2017-07-28 | 2018-01-09 | 浙江邦盛科技有限公司 | 一种降低资产损失率的方法 |
CN109034194A (zh) * | 2018-06-20 | 2018-12-18 | 东华大学 | 基于特征分化的交易欺诈行为深度检测方法 |
CN110992041A (zh) * | 2019-06-18 | 2020-04-10 | 东华大学 | 在线欺诈检测的个体行为超球体构建方法 |
CN111242744A (zh) * | 2020-01-16 | 2020-06-05 | 东华大学 | 低频交易的个体行为建模与欺诈检测方法 |
CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
-
2021
- 2021-03-02 CN CN202110228431.3A patent/CN112967061B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185457B1 (en) * | 2007-10-25 | 2012-05-22 | United Services Automobile Association (Usaa) | Transaction risk analyzer |
US20140258136A1 (en) * | 2013-03-07 | 2014-09-11 | Gregory Duane Ellis | Method for improving security of online transactions |
CN103412915A (zh) * | 2013-08-06 | 2013-11-27 | 复旦大学 | 一种面向金融高频交易数据的情景感知测定方法和系统 |
US20160132886A1 (en) * | 2013-08-26 | 2016-05-12 | Verafin, Inc. | Fraud detection systems and methods |
CN107563884A (zh) * | 2017-07-28 | 2018-01-09 | 浙江邦盛科技有限公司 | 一种降低资产损失率的方法 |
CN109034194A (zh) * | 2018-06-20 | 2018-12-18 | 东华大学 | 基于特征分化的交易欺诈行为深度检测方法 |
CN110992041A (zh) * | 2019-06-18 | 2020-04-10 | 东华大学 | 在线欺诈检测的个体行为超球体构建方法 |
CN111242744A (zh) * | 2020-01-16 | 2020-06-05 | 东华大学 | 低频交易的个体行为建模与欺诈检测方法 |
CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
PATRICK MONAMO等: ""Unsupervised Learning for Robust Bitcoin Fraud Detection"", 《IEEE》 * |
章昭辉等: "大规模网络服务系统行为异常的敏捷感知方法", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708183A (zh) * | 2023-11-08 | 2024-03-15 | 广州西米科技有限公司 | 一种基于用户消费习惯的潜在用户挖掘方法及系统 |
CN117708183B (zh) * | 2023-11-08 | 2024-06-11 | 广州西米科技有限公司 | 一种基于用户消费习惯的潜在用户挖掘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112967061B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11659050B2 (en) | Discovering signature of electronic social networks | |
Abbott | Applied predictive analytics: Principles and techniques for the professional data analyst | |
US7676390B2 (en) | Techniques for performing business analysis based on incomplete and/or stage-based data | |
AU2014202660C1 (en) | A system and method using multi-dimensional rating to determine an entity's future commercial viability | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
US20150242793A1 (en) | Systems and methods for auto-optimization of gamification mechanics for workforce motivation | |
CN109978033A (zh) | 同操作人识别模型的构建与同操作人识别的方法和装置 | |
CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
CN110992041A (zh) | 在线欺诈检测的个体行为超球体构建方法 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
CN108572988A (zh) | 一种房产评估数据生成方法和装置 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
CN109993538A (zh) | 基于概率图模型的身份盗用检测方法 | |
CN112967061B (zh) | 具有交易性格的用户行为识别方法 | |
WO2020119017A1 (zh) | 大数据背景下实现数据资产感知及定价功能的系统及其方法 | |
Bao et al. | The role of big data-based precision marketing in firm performance | |
CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
US11977565B2 (en) | Automated data set enrichment, analysis, and visualization | |
MacEachern | Measuring the added value of library and information services: the New Zealand approach | |
WO2015127333A1 (en) | Systems and methods for auto-optimization of gamification mechanics for workforce motivation | |
US10210528B2 (en) | Method and system for assessing and improving individual customer profitability for a profit-making organization | |
Nurhidayat et al. | Analysis and Classification of Customer Churn Using Machine Learning Models | |
CN113191570A (zh) | 基于深度学习的资金规划推荐方法、装置和设备 | |
Armona et al. | Information Inequality in Online Education | |
Lipovetsky et al. | Modeling with structurally missing data by OLS and shapley value regressions |
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 |