CN112967062B - 基于谨慎度的用户身份识别方法 - Google Patents

Abstract

本发明涉及一种基于谨慎度的用户身份识别方法，针对交易场景中用户面对的环境因素和个人因素，对活动因素和经济承受压力进行谨慎度预测建模，指导用户谨慎性格的预测；基于用户的交互数据提取谨慎度特征，进行计算用户的谨慎度，构建用户谨慎度模型，对用户进行性格刻画；通过对比用户谨慎度预测值和交易谨慎度是否在风险阈值内对用户身份识别模型进行训练，构建基于谨慎度的身份识别模型用于身份识别。本发明方法从用户的谨慎性格出发，考虑交易场景中的环境因素和用户个人因素对用户性格的影响，可以有效检测电子交易中的用户身份，为解决欺诈交易检测提供了技术支持。

Description

基于谨慎度的用户身份识别方法

技术领域

本发明涉及一种信息技术领域，特别涉及一种基于谨慎度的用户身份识别方法。

背景技术

随着人们消费方式的改变，移动支付越来越流行。当前移动欺诈的主要欺诈形式：营销活动诈骗，渠道流量诈骗，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。

目前，众多学者针对在线支付场景下的用户身份识别问题展开研究。为弥补基于规则的专家系统需要大量专业人员的干预和容易出现冗余的不足，部分学者会从单个用户的角度出发，借助多方数据发掘用户的行为模型，从而识别用户的身份。Hooi,Bryan等人通过分析用户评论找出恶意评论的欺诈行为。J.Guo等人基于LSTM结合用户完整的行为序列建立用户证书。Lei Ma等人从鼠标行为中提取进入、退出速度和搜索时间比等新的特征，结合传统鼠标行为的时间、速度和持续时间等特征，提出一种基于鼠标行为的认证模型。S.Wu等人结合设备信息和IP地址，在会话中的页面行为中发现用户的行为模型，区分用户、熟人和陌生人的身份。一些学者借助多种传感器研究用户的行为模型，借以对用户身份识别。L.Zheng等人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。

尽管目前基于用户行为模式的用户身份识别方法可以一定程度上解决用户身份识别问题，但仍存在性能瓶颈。这些模型，都只是提取行为模式，在对用户的刻画忽略了用户的性格。造成对用户的刻画不充分，导致误判。

在用户的性格研究中，一部分模型需要借助问卷调查的方式确定待测者的性格，然后再挖掘性格与其他研究内容的关系，如M.Jayaratne等人结合六要素HEXACO性格模型的问卷结果，通过在线聊天的文本数据，挖掘不同聊天内容和性格之间关系，训练后的模型用户挖掘用户性格。C.Y.Yaakub等人尝试基于游戏中的图像界面分析用户性格和问卷测试的结果的关系分析用户的性格，但由于游戏中太多与心理测验无关的图形界面，模型的性能不高。S.Katiyar等人通过问卷确定人格，根据评分进行职位的划分，但模型性能不好。Z.Halim等人通过IPIP-NEO-120测试分析人格，进行人格和游戏配置的匹配。

除此之外，另一部分学者借助人工标注的方式，挖掘各种传感器记录的生物信号，进行用户情感的识别。如M.Moghimi等人借助多个设备记录脑电波、皮肤电反应和心率等生理信号的变化，识别虚拟场景中人的情感。B.H.Kim等人借助对脑电波和大脑偏侧化分析，实现人类的情绪识别。这些性格模型借助第三方识别用户的性格、情绪，或者用性格指导工作，不能指导用户身份的识别。

这些模型借助第三方识别用户的性格、情绪，然后用性格指导其他工作。但由于缺少直接量化的性格模型，且无法抵消变化的交易环境对交易性格检测带来的影响，不能指导用户身份的识别。

发明内容

本发明是针对用户身份的识别存在的风险的问题，提出了一种基于谨慎度的用户身份识别方法，从用户的谨慎性格出发，考虑交易场景中的环境因素和用户个人因素对用户性格的影响，为用户建立基于谨慎度预测模型，通过对比预期的谨慎度和实际交易的谨慎度的差异识别用户身份。

本发明的技术方案为一种基于谨慎度的用户身份识别方法，具体包括如下步骤：

1)建立用户谨慎度预测模型：根据销售数据，建立交易商品销售量模型；在交易商品销售量模型基础上，考虑销售活动期间，商品的销售量和时间因素，产生商品活动影响因子；根据用户历史交易数据，计算用户经济承受压力；结合活动影响因素和经济承受压力，构建用户谨慎度预测模型；

2)建立用户谨慎度模型：基于用户的交互数据提取谨慎度特征，进行计算用户的谨慎度，构建用户谨慎度模型；

3)建立基于谨慎度的用户身份识别模型：将用户交易数据分别送入步骤1)和2)建立的模型，获得用户的谨慎度预测值和交易谨慎度；设置风险阈值，通过对比用户谨慎度预测值和交易谨慎度是否在风险阈值内对用户身份识别模型进行训练，构建基于谨慎度的身份识别模型用于身份识别。

优选的：所述步骤1)具体实现方法如下：

1.1)提取商品销售数据和用户历史交易数据：

借助销售数据，通过步骤1.2)-1.5)计算活动影响因子；借助用户历史交易数据，通过步骤1.6)-1.9)计算经济承受压力；

1.2)提取商品销售数据：

销售数据是客户销售平台每日对不同类型商品所有用户的交易统计结果，通过提取每类商品的销售数据，进行预测分析；

1.3)计算每种商品的日销售量：

通过统计每一种商品的日销售量，为拟合每类商品的日销售提供数据输入；

1.4)训练每类商品的日销售量模型：

借助广义逆矩阵的最小二乘法拟合每类商品的日销售量函数，用于预测下一个交易日每类商品的销售量；

1.5)计算活动影响因子：

在商品销售活动期间，根据每类商品的销售量和时间因素，借助1.4)预测的各类商品销售量，计算当前交易日该类商品销售量的变化情况，反映此次活动的规模、活动涉及商品类型和对该商品类型的影响程度；

1.6)提取用户历史交易数据：

通过计算用户历史中每月消费的总金额，借助月消费总金额数据集合的上4分位点反映用户每月的消费上限，然后，通过判断当前的金额接近消费上限的程度，反映用户交易时面对的不同经济承受压力；

1.7)计算用户每月的销售总金额：

按月统计用户的销售总金额，发掘用户的消费能力；

1.8)分析用户每月的消费水平：

借助所有的月消费金额中75％分位点作为用户每月的消费商品，反映用户每月的消费水平；

1.9)计算用户经济承受压力：

借助指数函数反映用户的经济承受压力，当当月消费越接近消费上限时，越接近1，当当月消费金额超出消费上限时，用户面对的压力快速增长，直至趋近于无穷大；

1.10)训练用户的谨慎度预测模型：

针对用户历史中的每一笔正常交易，在步骤2)用户谨慎度模型得到的与待判定交易商品同类型的上一笔交易的谨慎度的基础上，加入1.5)和1.9)中得到的活动影响因子和经济承受压力，通过拟合的方式得到用户谨慎度预测模型，实现在用户交易前，预测用户的谨慎度情况，为待判定交易提供是否异常的判定界限。

优选的：所述步骤2)具体实现方法如下：

2.1)提取用户历史正常交互数据：从用户的历史交互数据库中，提取交互数据，用于计算用户的谨慎度；

2.2)谨慎因子提取：

2.2.1)计算浏览谨慎因子：

从用户的所有交互数据中，计算用户历史上成功交易商品所属类别中所有同类浏览商品的浏览次数与用户行为总次数的比值，获取浏览谨慎因子；

2.2.2)计算购前同类对比度：

根据用户每次会话的交互数据，计算用户在会话中所有与成功交易的商品同类商品的浏览时间与会话时间比，从时间上刻画用户在此次会话中交易商品的谨慎程度，获取购前同类对比度；

2.2.3)计算同类挖掘度：

结合用户的所有交互数据，计算用户在某次会话中成功交易商品所属类别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，获取同类挖掘度。

2.3)用户谨慎度模型：

根据浏览谨慎因子、购前同类对比度和同类挖掘度三种谨慎度因子，构建用户谨慎度模型。

本发明的有益效果在于：本发明基于谨慎度的用户身份识别方法，针对交易场景中用户面对的环境因素和个人因素，对活动因素和经济承受压力进行建模，指导用户谨慎性格的预测，基于用户的交互数据提取谨慎度特征，进行计算用户的谨慎度，构建用户谨慎度模型，对用户进行性格刻画。本发明方法可以有效检测电子交易中的用户身份，为解决欺诈交易检测提供了技术支持。

附图说明

图1为本发明身份识别系统的系统框架图；

图2为本发明的方法中构建用户谨慎度预测模型流程图；

图3本发明的方法中构建用户谨慎度模型的流程图；

图4本发明的方法中构建基于谨慎度的用户身份识别模型的流程图；

图5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。

本发明为了实现基于谨慎度的用户身份识别方法，建立身份识别系统的系统，如图1所示系统框架，包括3部分，如下：

1、用户谨慎度的预测模型。主要由活动影响因素、经济承受压力以及用户上次同类商品的交易谨慎度组成。考虑内外影响因素，建立用户的谨慎度预测模型，为用户的交易提供判定依据。先借助交易商品在一定时间内的销售量变化情况，对活动影响因素进行建模；再借助用户每月的消费能力，构建用户经济承受压力模型，刻画用户的个人内部影响因素。

2、用户的谨慎度模型。基于用户的交互数据提取特征谨慎因子，并构建用户的谨慎度模型。通过计算用户的谨慎度，形成用户的谨慎性格画像，以用户的交易性格的谨慎维度刻画用户。

3、基于谨慎度的用户身份识别模型。针对每笔交易，先通过谨慎度预测模型得到用户该笔交易的谨慎度预测值，作为该笔交易的对比依据。再通过谨慎度模型得到用户该笔交易的实际谨慎度。最后，通过对比预测的谨慎度值和真实值之间的差异，结合训练得到用户的风险阈值所形成的接受域，构架身份模型，形成基于谨慎度的用户身份识别方法。

本发明的技术核心在于用户谨慎度的预测模型和基于谨慎度的用户身份识别模型的建立，在此基础上提出基于谨慎度的用户身份识别方法。在用户身份识别的任务上，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；另一方面，现有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。因此本发明考虑到用户性格的重要性，对用户的谨慎性格进行刻画。通过对比用户谨慎度的预期值和实际值，实现对用户身份精准识别的目的，建立了本发明的身份识别方法。

一、建立用户谨慎度的预测模型。考虑到用户在交易时面临的外界环境和个人因素的影响，结合活动影响因素和经济承受压力，构建了用户的谨慎度预测模型。包含以下步骤，如图2所示构建用户谨慎度预测模型流程图，具体步骤如下：

S101、提取商品销售数据和用户历史交易数据：

借助销售数据，通过步骤S102-S105计算活动影响因子；借助用户历史交易数据，通过步骤S106-S109计算经济承受压力。

S102、提取商品销售数据：

销售数据是客户销售平台每日对不同类型商品所有用户的交易统计结果。为借助预测的用户在交易商品当日的销售量变化情况反映外界环境影响因素，需要通过提取每类商品的销售数据，进行预测分析。

S103、计算每种商品的日销售量：

通过统计每一种商品的日销售量，为拟合每类商品的日销售提供数据输入。

S104、训练每类商品的日销售量模型：

借助广义逆矩阵的最小二乘法拟合每类商品的日销售量函数。用于预测下一个交易日每类商品的销售量。

S105、计算活动影响因子：

在商品销售活动期间，根据每类商品的销售量和时间因素，借助S104预测的各类商品销售量，计算当前交易日该类商品销售量的变化情况，反映此次活动的规模、活动涉及商品类型和对该商品类型的影响程度。

S106、提取用户历史交易数据：

通过计算用户历史中每月消费的总金额，为避免用户超额消费带来的影响，借助月消费总金额数据集合的上4分位点反映用户每月的消费上限。然后，通过判断当前的金额接近消费上限的程度，反映用户交易时面对的不同经济承受压力。

S107、计算用户每月的销售总金额：

按月统计用户的销售总金额，发掘用户的消费能力。

S108、分析用户每月的消费水平：

考虑到用户偶尔会出现透支消费的情况，所以借助所有的月消费金额中75％分位点作为用户每月的消费商品，反映用户每月的消费水平。

S109、计算用户经济承受压力：

借助指数函数反映用户的经济承受压力，当当月消费越接近消费上限时，越接近1，当当月消费金额超出消费上限时，用户面对的压力快速增长，直至趋近于无穷大。

S110、训练用户的谨慎度预测模型：

针对用户历史中的每一笔正常交易，在根据S206的用户谨慎度模型得到的与待判定交易商品同类型的上一笔交易的谨慎度的基础上，加入S105和S109中得到的活动影响因子和经济承受压力，通过拟合的方式得到用户谨慎度预测模型。实现在用户交易前，预测用户的谨慎度情况，为待判定交易提供是否异常的判定界限。

二、建立基于用户谨慎度模型。基于用户的交互数据提取谨慎度特征，进行计算用户的谨慎度。包含以下步骤，如图3所示：

S201、提取用户历史正常交互数据：

从用户的历史交互数据库中，提取交互数据，用于计算用户的谨慎度。

S202、谨慎因子提取：

基于交互数据，提取谨慎模型的三个谨慎因子。

S203、计算历史浏览谨慎程度：

从用户的所有交互数据中，计算用户历史上成功交易商品所属类别中所有同类浏览商品的浏览次数与用户行为总次数的比值，从历史浏览的角度刻画用户历史行为中浏览的谨慎程度。不同于商品转化率关注浏览多少次发生一笔交易，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。

S204、计算购前同类对比度：

根据用户每次会话的交互数据，计算用户在会话中所有与成功交易的商品同类商品的浏览时间与会话时间比，从时间上刻画用户在此次会话中交易商品的谨慎程度。

S205、计算同类挖掘度：

结合用户的所有交互数据，计算用户在某次会话中成功交易商品所属类别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。

S206、用户的谨慎度模型：

根据S203-S205中计算的谨慎度因子，计算用户的谨慎度。

三、建立基于谨慎度的用户身份识别模型。通过对比用户的预期的谨慎度和交易的实际谨慎度，判断差异是否在可接受的阈值内，构建了基于谨慎度预测的身份识别模型。包含以下步骤，如图4所示构建基于谨慎度的用户身份识别模型的流程图：

S301、提取用户历史交互数据和交易数据：

每当用户进行交易时，一方面从用户历史交互数据中提取S202-S203所涉及的交互数据和该笔交易所在会话的交互数据。另一方面提取该笔交易的交易数据，包含日期、商品种类、价格等交易数据。

S302、数据(交易数据)输入谨慎度预测模型：

交易数据包含商品类型和商品金额信息，将交易数据输入谨慎度预测模型，用于更新活动影响因素和经济承受压力。

S303、计算该笔交易的谨慎度预测值：

根据S302更新后的内外影响因素，预测用户应该具有的谨慎情况。

S304、数据(交互数据)输入谨慎度模型：

从交互数据中，提取谨慎度特征，用于计算用户每笔交易的实际谨慎度。

S305、计算用户该笔交易的谨慎度：

根据S304中提取的谨慎度特征，计算用户的谨慎度。

S306、对比谨慎度预测值和实际值的误差：

求谨慎度预测值和实际值的距离。

S307、设置风险阈值：

设置风险阈值。

S308、放行：

如果误差小于风险阈值，该笔交易的状态标记为放行。

S309、拦截：

如果误差不小于风险阈值，该笔交易的状态标记为拦截。

S310、收集结果：

统计训练集中每笔交易的判定结果。

S311、基于谨慎度的用户身份识别模型：

若S310中的划分效果最佳，结束训练；否则，重新设置风险阈值，即反回到S307。

本发明所述的基于谨慎度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，通过谨慎度预测模型为每个用户预测当前交易的谨慎度；

S3：根据每笔交易的谨慎度预测值和谨慎度模型计算的谨慎度，通过对比二者的差异，训练风险阈值，建立基于谨慎度的用户身份识别模型；

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 (1)

1.一种基于谨慎度的用户身份识别方法，其特征在于，具体包括如下步骤：

1)建立用户谨慎度预测模型：根据销售数据，建立交易商品销售量模型；在交易商品销售量模型基础上，考虑销售活动期间，商品的销售量和时间因素，产生商品活动影响因子；根据用户历史交易数据，计算用户经济承受压力；结合活动影响因子和经济承受压力，构建用户谨慎度预测模型；

2)建立用户谨慎度模型：基于用户的交互数据提取谨慎度特征，进行计算用户的谨慎度，构建用户谨慎度模型；

3)建立基于谨慎度的用户身份识别模型：将用户交易数据分别送入步骤1)和2)建立的模型，获得用户的谨慎度预测值和交易谨慎度；设置风险阈值，通过对比用户谨慎度预测值和交易谨慎度是否在风险阈值内对用户身份识别模型进行训练，构建基于谨慎度的身份识别模型用于身份识别；

所述步骤1)具体实现方法如下：

1.1)提取商品销售数据和用户历史交易数据：

借助销售数据，通过步骤1.2)-1.5)计算活动影响因子；借助用户历史交易数据，通过步骤1.6)-1.9)计算经济承受压力；

1.2)提取商品销售数据：

销售数据是客户销售平台每日对不同类型商品所有用户的交易统计结果，通过提取每类商品的销售数据，进行预测分析；

1.3)计算每种商品的日销售量：

通过统计每一种商品的日销售量，为拟合每类商品的日销售提供数据输入；

1.4)训练每类商品的日销售量模型：

借助广义逆矩阵的最小二乘法拟合每类商品的日销售量函数，用于预测下一个交易日每类商品的销售量；

1.5)计算活动影响因子：

在商品销售活动期间，根据每类商品的销售量和时间因素，借助1.4)预测的各类商品销售量，计算当前交易日该类商品销售量的变化情况，反映此次活动的规模、活动涉及商品类型和对该商品类型的影响程度；

1.6)提取用户历史交易数据：

通过计算用户历史中每月消费的总金额，借助月消费总金额数据集合的上4分位点反映用户每月的消费上限，然后，通过判断当前的金额接近消费上限的程度，反映用户交易时面对的不同经济承受压力；

1.7)计算用户每月的销售总金额：

按月统计用户的销售总金额，发掘用户的消费能力；

1.8)分析用户每月的消费水平：

借助所有的月消费金额中75％分位点作为用户每月的消费商品，反映用户每月的消费水平；

1.9)计算用户经济承受压力：

借助指数函数反映用户的经济承受压力，当当月消费越接近消费上限时，越接近1，当当月消费金额超出消费上限时，用户面对的压力快速增长，直至趋近于无穷大；

1.10)训练用户的谨慎度预测模型：

针对用户历史中的每一笔正常交易，在步骤2)用户谨慎度模型得到的与待判定交易商品同类型的上一笔交易的谨慎度的基础上，加入1.5)和1.9)中得到的活动影响因子和经济承受压力，通过拟合的方式得到用户谨慎度预测模型，实现在用户交易前，预测用户的谨慎度情况，为待判定交易提供是否异常的判定界限；

所述步骤2)具体实现方法如下：

2.1)提取用户历史正常交互数据：从用户的历史交互数据库中，提取交互数据，用于计算用户的谨慎度；

2.2)谨慎度特征提取：

2.2.1)计算浏览谨慎因子：

从用户的所有交互数据中，计算用户历史上成功交易商品所属类别中所有同类浏览商品的浏览次数与用户行为总次数的比值，获取浏览谨慎因子；

2.2.2)计算购前同类对比度：

根据用户每次会话的交互数据，计算用户在会话中所有与成功交易的商品同类商品的浏览时间与会话时间比，从时间上刻画用户在此次会话中交易商品的谨慎程度，获取购前同类对比度；

2.2.3)计算同类挖掘度：

结合用户的所有交互数据，计算用户在某次会话中成功交易商品所属类别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，获取同类挖掘度；

2.3)用户谨慎度模型：

根据浏览谨慎因子、购前同类对比度和同类挖掘度三种谨慎度特征，构建用户谨慎度模型。

Images