CN113469789A - 异常订单的检测方法、装置及计算机设备 - Google Patents

Abstract

本申请公开了一种异常订单的检测方法、装置及计算机设备，涉及信息处理技术领域，可用于解决目前在进行刷单检测时，检测效率较低且准确性不高的技术问题。其中方法包括：提取虚拟商品交易平台内用户订单的订单信息；基于所述订单信息确定所述用户订单的指标检测参数；根据所述指标检测参数计算所述用户订单属于异常订单的预测概率；将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单。本申请适用于对真人恶意地址刷单行为所产生的异常订单的检测。

Description

异常订单的检测方法、装置及计算机设备

技术领域

本申请涉及信息处理技术领域，尤其涉及到一种异常订单的检测方法、装置及计算机设备。

背景技术

随着互联网技术的突飞猛进，互联网线上到线下(Online To Offline，O2O)行业迅猛发展，O2O模式已广泛应用于在线旅游、房地产、订票、移动互联网、餐饮、汽车租赁、电子优惠券、奢侈品等诸多领域。大量的O2O行业采取补贴用户的经营模式，使得O2O行业普遍存在恶意刷单行为。恶意刷单行为是指以欺骗或违反业务规则的手段获得利益的行为；可能的获利方包括用户、商家、中间人等，并可能发生这些获利方之间的串通行为。由于刷单行为会导致普通用户被刷单行为导致的假象所迷惑，因此，急需对刷单行为进行检测，并采取相应处理方式。

现有技术中的刷单检测仅限于电商平台内部的自我督查机制，对于刷单检测结果中疑似刷单的店铺，各大电商平台也仅仅是对其部分进行降权或者强制关闭，并未对外公开，用户无法获得一个直观的数据查看刷单状况，基于利益最大化的原则以及当前电商发展现状，无法从根本上杜绝刷单现象。导致异常订单的检测效率较低，准确性不高。

发明内容

有鉴于此，本申请提供了一种异常订单的检测方法、装置及计算机设备，可用于解决目前在进行刷单检测时，检测效率较低且准确性不高的技术问题。

根据本申请的一个方面，提供了一种异常订单的检测方法，该方法包括：

提取虚拟商品交易平台内用户订单的订单信息；

基于所述订单信息确定所述用户订单的指标检测参数；

根据所述指标检测参数计算所述用户订单属于异常订单的预测概率；

将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单。

根据本申请的另一个方面，提供了一种异常订单的检测装置，该装置还包括：

提取模块，用于提取虚拟商品交易平台内用户订单的订单信息；

确定模块，用于基于所述订单信息确定所述用户订单的指标检测参数；

计算模块，用于根据所述指标检测参数计算所述用户订单属于异常订单的预测概率；

标记模块，用于将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单。

根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述异常订单的检测方法。

根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述异常订单的检测方法。

借由上述技术方案，本申请提供的一种异常订单的检测方法、装置及计算机设备，与目前异常订单的检测方式相比，本申请可首先提取虚拟商品交易平台内用户订单的订单信息，并根据订单信息确定目标订单在各个预设维度下的指标检测参数；进而可根据指标检测参数综合计算出用户订单属于异常订单的预测概率；最后可基于预测概率与预设概率阈值的比较结果确定用户订单是否为异常订单。在本申请中，通过建立指标检测参数的评价机制，可从多个数据维度出发，客观准确地检测出异常订单，进而能够实现对刷单现象的有效控制，实现对用户或商家合法利益的保护，为虚拟商品交易平台营造良好的购物交易环境。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种异常订单的检测方法的流程示意图；

图2示出了本申请实施例提供的另一种异常订单的检测方法的流程示意图；

图3示出了本申请实施例提供的一种异常订单的检测装置的结构示意图；

图4示出了本申请实施例提供的另一种异常订单的检测装置的结构示意图。

具体实施方式

下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。

针对目前在进行刷单检测时，检测效率较低且准确性不高的技术问题，本申请提供了一种异常订单的检测方法，如图1所示，该方法包括：

101、提取虚拟商品交易平台内用户订单的订单信息。

其中，虚拟商品交易平台是指互联网虚拟产品交易平台，在虚拟商品交易平台中展示有各类虚拟产品，并支持用户针对各类虚拟产品的线上交易操作。具体的，用户需要在虚拟商品交易平台注册，实现个人信息的认证，在完成登录后，用户可针对虚拟商品交易平台内的任一虚拟产品发起订单交易请求，平台即可响应于订单交易请求指引用户完成支付操作。在用户完成与平台内商家的交易操作后，虚拟商品交易平台即可为用户生成所交易虚拟产品对应的产品订单。

在具体的应用场景中，在虚拟商品交易平台盛行的同时，也伴随着真人恶意地址刷单行为的发生，真人恶意地址刷单行为是指以欺骗或违反业务规则的手段获得利益的行为；可能的获利方包括用户、商家、中间人等，并可能发生这些获利方之间的串通行为。与技术手段刷单不同，真人恶意地址刷单是有人在刷单群里下达任务，接受任务的人用自己的真实设备、真实ip、真实身份信息下单。下单后统一寄往某个地方，在收货地址中添加标记，以方便刷单人直接提货，不需要等快递员送货。因为地址实际上不存在，快递员也无法送货。相对应的刷单流程可为：收货人搜索平台优惠，找到有利可图的商品；收货人找到刷单群发布刷单任务；刷单人领取任务去对应电商平台下单，统一寄到收货人统一的地址；快递员根据地址特殊标记，直接联系真实的收货人提货；收货人收到货后，给刷单人货款+佣金，刷单交易完成。相应的，对于本实施例，为了判定用户订单是否为真人恶意地址刷单过程中产生的异常订单，故需要对用户订单进行异常性排查。具体的，首先需要提取用户订单的订单信息，进而基于订单信息进行异常订单的分析与筛查。其中，订单信息包括但不限于订单地址信息、用户身份信息、订单来源信息、订单类型信息等多个维度数据。

为了克服现有技术中刷单检测的检测效率较低且准确性不高的缺陷，本申请实施例可首先提取虚拟商品交易平台内用户订单的订单信息，并根据订单信息确定目标订单在各个预设维度下的指标检测参数，进而根据各个预设维度下的指标检测参数，实现对异常订单的综合排查。通过建立指标检测参数的评价机制，可从多个数据维度出发，客观准确地检测出异常订单，进而能够实现对刷单现象的有效控制，实现对用户或商家合法利益的保护，为虚拟商品交易平台营造良好的购物交易环境。本发明实施例主要适用于对虚拟商品交易平台内所生成订单的异常检测场景，本发明实施例的执行主体为能够对异常订单进行检测的装置或者设备，具体可以设置在客户端或者服务器一侧。

102、基于订单信息确定用户订单的指标检测参数。

其中，指标检测参数为与订单信息中各个维度数据匹配的评价指标，具体可包括与订单地址信息对应的第一指标检测参数和第二指标检测参数，与用户身份信息对应的第三指标检测参数等。需要说明的，本申请从以上三个维度对本申请中的技术方案进行说明，但并不局限于此，还可包括订单、商品、用户、物流等其他各个维度下的多个指标检测参数，在此不进行穷举。基于一个或多个维度下的指标检测参数，综合实现对异常订单检测的实现方案，均应落入本申请的保护范围。

在具体的应用场景中，在基于订单信息确定用户订单的指标检测参数时，作为一种可选方式，为使确定出的指标检测参数有利于后续预测概率的计算，可将各个指标检测参数依据分析结果设为“0”或“1”；此外，作为另一种可选方式，还可将各个维度下的指标检测参数按照预设规则得到与分析结果匹配的任意数值，当数值大于1时，可在计算预测概率之前，对各个维度下的指标参数数据进行归一化处理，将指标检测参数调整为0～1之间的数值。在本申请下述实施例中，以第一种可选方式作为本申请的优选实现方式，进一步对本申请中的技术方案进行说明。

103、根据指标检测参数计算用户订单属于异常订单的预测概率。

对于本实施例，在具体的应用场景中，在计算得到各个预设维度下的指标检测参数后，还可进一步通过对各个指标检测参数的综合分析，得到用户订单属于异常订单的预测概率。为使分析结果更为直观，可通过为各个指标检测参数预设权重值，进而通过为各个指标检测参数加权求和的方式，计算得到指标检测参数的预测概率。

104、将对应预测概率大于预设概率阈值的用户订单标记为异常订单。

其中，预设概率阈值为能够评定用户订单为异常订单的最小预测概率，具体数值可根据实际应用场景进行设定。对于本实施例，当计算得到的预测概率大于设定的预设概率阈值时，即可将该用户订单标记为存在刷单风险的异常订单。

通过本实施例中异常订单的检测方法，可首先提取虚拟商品交易平台内用户订单的订单信息，并根据订单信息确定目标订单在各个预设维度下的指标检测参数；进而可根据指标检测参数综合计算出用户订单属于异常订单的预测概率；最后可基于预测概率与预设概率阈值的比较结果确定用户订单是否为异常订单。在本申请中，通过建立指标检测参数的评价机制，可从多个数据维度出发，客观准确地检测出异常订单，进而能够实现对刷单现象的有效控制，实现对用户或商家合法利益的保护，为虚拟商品交易平台营造良好的购物交易环境。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种异常订单的检测方法，如图2所示，该方法包括：

201、提取虚拟商品交易平台内用户订单的订单信息。

对于本实施例，在具体的应用场景中，为实现对异常订单的检测，作为一种可选方式，可实时监测虚拟商品交易平台内的订单交易情况，当出现交易完成的用户订单时，即可触发对用户订单的异常检测流程，当判定为正常订单时，可进一步终止此次的检测流程；当判定为异常订单时，可首先将该用户订单标记为异常订单，进一步退出检测流程。相应的，作为另一种可选方式，由于订单交易平台内同一时间段会生成大批量的用户订单，且对于刷单场景，也会由于刷单任务下发的即时性，导致虚拟商品交易平台短时间内存在大量刷单订单的聚集。故为了实现对异常订单检测的有序进行，可采用分批次检测的方式，具体可以预设时间段为采集周期，每间隔预设时间段采集一次用户订单信息，针对预设时间段内的用户订单，构成订单集合，在进行异常订单的检测时，可分别对订单集合中的各个用户订单进行检测，在提取出任意一个异常订单时，可将订单集合内的其他订单与异常订单进行特征的相似度匹配，以便能够实现对同一批次下异常订单的快速筛查检测。

202、将订单信息中的订单地址信息与预设风险标记区域进行区域地址匹配，并根据区域地址匹配结果，确定用户订单的第一指标检测参数。

其中，预设风险标记区域为在检测过程中，基于历史刷单检测数据提取出的易发生刷单行为的高发区域，将该区域确定为预设风险标记区域，并将各个不同的预设风险标记区域存储在恶意地址标记库中，以便在提取出用户订单的订单信息时，能够首先根据订单地址信息进行有效的危险区域定位，以便对存在于危险区域的用户订单进行重点监测。当判定用户订单的收货地址在恶意地址标记库中的某一预设风险标记区域时，该用户订单相比于收货地址在其他未标记区域内的用户订单，被检测为异常订单的概率较大。故在本实施例中，可将对应收货地址在预设风险标记区域内的用户订单的第一指标检测参数设置为数值1，将对应收货地址在预设风险标记区域外的用户订单的第一指标检测参数设置为数值0。

203、解析订单地址信息，判断订单地址信息中是否存在预设组合规则下的标记字符，根据判断结果生成用户订单的第二指标检测参数。

在具体的应用场景中，对于刷单过程中产生的异常订单，收货人为逃避异常订单的关于相同地址的常规性筛查，往往在真实收货地址的基础上，添加特殊字符，实现对各个异常订单进行区分的同时，也不影响订单的正常运输。根据历史刷单数据，特殊字符通常以后缀的形式添加在正常的收货地址中。例如，订单地址信息为：**市**区(八万)，**市**区(鸡猴)等带有麻将牌、属相或者其他特殊标识的后缀。基于之前发现的异常后缀，可确定异常后缀类型包括麻将牌、属相、星座、汽车品牌，英文字符或者数字等，不同异常后缀类型还可随机组合成多个异常后缀。对此，为了实现对标记字符的筛选，在本申请中，可针对异常后缀的生成可能性，确定预设组合规则，以便基于预设组合规则实现对标记字符的检测。其中，预设组合规则可为各类异常后缀类型下的排列组合，预设组合规则下的排列组合结果具体可包括麻将牌组合、属相组合、星座组合、汽车品牌组合，超过5个字符的英文或者数字组合等，此外还可包括麻将牌、属相、汽车品牌、英文字符、数字中至少两项的任意组合，如麻将牌+属相、属相+汽车品牌+英文字符、麻将牌+数字+英文字符等。

对于本实施例，可基于预设语义解析算法对订单地址信息进行识别，在订单地址信息中提取出正确的省、市、区、街道等正确的地址信息，将具体地址信息之外的无意义符号与预设组合规则下的各个特殊字符组合进行匹配。当确定在订单地址信息中存在与预设组合规则下特殊组合字符匹配的字符时，鉴于该用户订单属于异常订单的概率较大，故可将标记字符作为评价异常订单的一个维度特征，具体的，在判断订单地址信息中存在预设组合规则下的标记字符后，可将用户订单的第二指标检测参数设置为数值1；反之，在判断订单地址信息中不存在预设组合规则下的标记字符时，可将用户订单的第二指标检测参数设置为数值0。

204、确定与订单信息中用户身份信息关联的终端设备标识，根据历史异常订单标记结果统计与终端设备标识匹配的异常订单数量，基于异常订单数量确定用户订单的第三指标检测参数。

在具体的应用场景中，由于刷单用户同样容易被其他各种刷单福利所吸引，或者不排除有专门从事刷单工作的人员，故对于同一刷单用户，可能存在多次刷单行为。且在执行刷单任务时，刷单用户都需要真人操作，利用自身已经实名认证的设备账户进行下单，故对于每次刷单行为，都会有关于用户身份信息的记录。对于本实施例，作为检测异常订单的另一个维度，在确定出用户订单的订单信息后，还可提取与订单信息中用户身份信息关联的终端设备标识，进而根据历史异常订单标记结果统计与终端设备标识匹配的异常订单数量，基于异常订单数量确定用户订单的第三指标检测参数。相应的，在基于异常订单数量确定用户订单的第三指标检测参数时，可首先设定刷单数量阈值，通过将异常订单数量与刷单数量阈值进行比较，当异常订单数量大于刷单数量阈值时，可判定该刷单用户发生刷单行为的概率较高，故可将该用户订单的第三指标检测参数设置为数值1，将对应异常订单数量小于或等于刷单数量阈值的用户订单的第三指标检测参数设置为数值0。

205、按照预设权重配比计算第一指标检测参数、第二指标检测参数、第三指标检测参数的加权求和结果，将加权求和结果确定为用户订单属于异常订单的预测概率。

在具体的应用场景中，为了实现对用户订单属于异常订单的预测概率的精准评估，可根据历史经验系数，为各个维度下的指标检测参数预先设置相等或不相等的权重值，针对预测概率影响范围较大的指标检测参数可配置较大的权重值，针对预测概率影响范围较小的指标检测参数可配置较小的权重值。

对于本实施例，在计算出用户订单关于上述三个维度特征下的指标检测参数后，可根据各个维度特征对应的预设权重计算指标检测参数的加权求和结果。例如，根据对预测概率影响范围大小，预先为第一指标检测参数、第二指标检测参数、第三指标检测参数分别配置权重值为0.4、0.3、0.3；且通过订单信息确定用户订单的指标检测参数分别为，第一指标检测参数：1，第二指标检测参数：1，第二指标检测参数：0；进而可基于加权求和计算公式计算得到加权求和结果为：0.4*1+0.3*1+0.3*0＝0.7。

206、将预测概率大于预设概率阈值的用户订单确定为第一异常订单。

在具体的应用场景中，可根据经验系数确定能够评定用户订单为异常订单的预设概率阈值，在基于实施例步骤205计算得到用户订单属于异常订单的预测概率后，可将预测概率大于预设概率阈值的用户订单直接确定为异常订单。例如，预设概率阈值为0.6，当计算出的预测概率大于0.6时，可将该用户订单确定为异常订单。

207、根据订单来源信息、订单类型信息和订单地址信息中的至少两种信息，提取在预设时间段内与第一异常订单对应订单相似度大于预设相似度阈值的第二异常订单。

对于本实施例，由于订单交易平台在同一时间段会生成大批量的用户订单，且对于刷单场景，也会由于刷单任务下发的即时性，导致虚拟商品交易平台短时间内存在大量刷单订单的聚集。故为了实现对异常订单检测的有序进行，可采用分批次检测的方式，具体可以预设时间段为采集周期，每间隔预设时间段采集一次用户订单信息，针对预设时间段内的用户订单，构成订单集合，在进行异常订单的检测时，可分别对订单集合中的各个用户订单进行检测，在提取出任意一个异常订单时，可将订单集合内的其他订单与异常订单进行特征的相似度匹配，以便能够实现对同一批次下异常订单的快速筛查检测。

相应的，由于针对处于同一刷单批次下的异常订单，往往具有相同的订单来源(如刷单群里共享的商品链接、任务指令等)，且对应的订单类型应为相同，并且对应收货人的提货地址应大致相同，故在将订单集合内的其他订单与异常订单进行特征的相似度匹配时，可利用异常订单与订单集合内未参与异常订单检测的用户订单进行信息匹配，具体可基于订单来源信息、订单类型信息和订单地址信息计算订单间的相似度，进而依据相似度提取出与第一异常订单对应订单相似度大于预设相似度阈值的第二异常订单。在依据依据相似度提取出与第一异常订单对应订单相似度大于预设相似度阈值的第二异常订单时，应保证第一异常订单和第二异常订单关于订单来源信息、订单类型信息和订单地址信息中至少两种信息的订单相似度大于预设相似度阈值。

例如，在第一异常订单所处的订单集合内还存在4个待进行异常检测的订单A、订单B、订单C、订单D，为了实现对与第一异常订单处于同一刷单批次下第二异常订单的筛选，可分别计算订单A、订单B、订单C、订单D与第一异常订单关于订单来源信息、订单类型信息和订单地址信息的相似度计算，进而基于相似度计算结果与预设相似度阈值的比较，确定订单A、订单B、订单C、订单D中是否存在与第一异常订单处于同一刷单批次下第二异常订单。若设定预设相似度阈值为85％，且计算订单A与第一异常订单关于订单来源信息、订单类型信息和订单地址信息的相似度分别为45％，76％，30％；计算订单B与第一异常订单关于订单来源信息、订单类型信息和订单地址信息的相似度分别为95％，86％，70％；计算订单C与第一异常订单关于订单来源信息、订单类型信息和订单地址信息的相似度分别为21％，19％，4％；计算订单D与第一异常订单关于订单来源信息、订单类型信息和订单地址信息的相似度分别为94％，87％，93％，经过相似度计算结果与预设相似度阈值的比较，由于订单B与第一异常订单基于订单来源信息、订单类型信息的相似度均大于85％，故可直接将订单B确定为与第一异常订单处于同一刷单批次的第二异常订单；由于订单D与第一异常订单基于订单来源信息、订单类型信息、订单地址信息的相似度均大于85％，故也可直接将订单D确定为与第一异常订单处于同一刷单批次的第二异常订单。对于订单A和订单C，由于不存在至少两种信息的订单相似度大于预设相似度阈值，故可初步判定订单A和订单C不是与第一异常订单处于同一刷单批次的第二异常订单。进一步地，为了避免对其它刷单批次下异常订单的遗漏，还可进一步对订单A和订单C重复执行上述实时例步骤201至206中的步骤，执行对订单A和订单C的二次检测，确定订单A和订单C是否为某一刷单批次下的第一异常订单。

208、提取第一异常订单和第二异常订单的公共特征，基于公共特征分析第一异常订单和第二异常订单的刷单类型，利用与刷单类型匹配的预设刷单处理规则执行对第一异常订单和第二异常订单的审批处理操作。

在具体的应用场景中，由于不同刷单类型对应造成的业务影响不同，故可针对不同的刷单类型预先设置不同的刷单处理规则。对于本实施例，在提取出订单集合中的第一异常订单以及与第一异常订单处于同一刷单批次下的第二异常订单后，可进一步提取出第一异常订单和第二异常订单的公共特征，以便根据公共特征确定对应的刷单类型，进而可提取出与刷单类型匹配的预设刷单处理规则，以便通过控制执行预设刷单处理规则执行对第一异常订单和第二异常订单的审批处理操作。相应的，在执行对第一异常订单和第二异常订单的审批处理操作时，可由人工触发执行，还可由检测系统自动触发执行。

例如，刷单类型可包括新人团购订单，由于这种电商平台明确是让利给新用户拉新用的，故对于团购订单，如果判定是刷单，则可匹配与新人团购订单对应的预设刷单处理规则，如执行自动退款操作，进一步减少商户的损失；相应的，刷单类型还可包括其他订单：如用户通过购买多个商品、凑单凑优惠券等方式获得优惠。这种如果判定是刷单，则需要匹配对应的预设刷单处理规则，决定订单是否需要退款或正常发货。

借由上述异常订单的检测方法，可首先提取虚拟商品交易平台内用户订单的订单信息，并根据订单信息确定目标订单在各个预设维度下的指标检测参数；进而可根据指标检测参数综合计算出用户订单属于异常订单的预测概率；最后可基于预测概率与预设概率阈值的比较结果确定用户订单是否为异常订单。在本申请中，通过建立指标检测参数的评价机制，可从多个数据维度出发，客观准确地检测出异常订单，进而能够实现对刷单现象的有效控制，实现对用户或商家合法利益的保护，为虚拟商品交易平台营造良好的购物交易环境。

进一步的，作为图1和图2所示方法的具体实现，本申请实施例提供了一种异常订单的检测装置，如图3所示，该装置包括：第一提取模块31、确定模块32、计算模块33、标记模块34；

第一提取模块31，可用于提取虚拟商品交易平台内用户订单的订单信息；

确定模块32，可用于基于订单信息确定用户订单的指标检测参数；

计算模块33，可用于根据指标检测参数计算用户订单属于异常订单的预测概率；

标记模块34，可用于将对应预测概率大于预设概率阈值的用户订单标记为异常订单。

在具体的应用场景中，订单信息可包括订单地址信息，为了基于订单信息确定出用户订单的指标检测参数，确定模块32，具体可用于将订单信息中的订单地址信息与预设风险标记区域进行区域地址匹配；根据区域地址匹配结果，确定用户订单的第一指标检测参数。

相应的，为了基于订单信息确定出用户订单的指标检测参数，确定模块32，具体还可用于解析订单地址信息，判断订单地址信息中是否存在预设组合规则下的标记字符；根据判断结果生成用户订单的第二指标检测参数。

在具体的应用场景中，订单信息还包括用户身份信息，为了基于订单信息确定出用户订单的指标检测参数，确定模块32，具体还可用于确定与订单信息中用户身份信息关联的终端设备标识；根据历史异常订单标记结果统计与终端设备标识匹配的异常订单数量；基于异常订单数量确定用户订单的第三指标检测参数。

相应的，为了根据指标检测参数计算出用户订单属于异常订单的预测概率，计算模块33，具体可用于按照预设权重配比计算第一指标检测参数、第二指标检测参数、第三指标检测参数的加权求和结果；将加权求和结果确定为用户订单属于异常订单的预测概率。

进一步的，在将对应预测概率大于预设概率阈值的用户订单标记为异常订单时，标记模块34，具体可用于将预测概率大于预设概率阈值的用户订单确定为第一异常订单。

在具体的应用场景中，订单信息还包括订单来源信息、订单类型信息，为了确定出与第一异常订单属于同一刷单批次的第二异常订单，如图4所示，该装置还包括：第二提取模块35；

第二提取模块35，可用于根据订单来源信息、订单类型信息和订单地址信息中的至少两种信息，提取在预设时间段内与第一异常订单对应订单相似度大于预设相似度阈值的第二异常订单。

相应的，为了执行对第一异常订单和第二异常订单的审批处理操作，如图4所示，该装置还包括：第三提取模块36、分析模块37、处理模块38；

第三提取模块36，可用于提取第一异常订单和第二异常订单的公共特征；

分析模块37，可用于基于公共特征分析第一异常订单和第二异常订单的刷单类型；

处理模块38，可用于利用与刷单类型匹配的预设刷单处理规则执行对第一异常订单和第二异常订单的审批处理操作。

需要说明的是，本实施例提供的一种异常订单的检测装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。

基于上述如图1至图2所示方法，相应的，本实施例还提供了一种非易失性存储介质，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的异常订单的检测方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。

基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；非易失性存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的异常订单的检测方法。

可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

非易失性存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。

通过应用本申请的技术方案，与目前现有技术相比，本申请可首先提取虚拟商品交易平台内用户订单的订单信息，并根据订单信息确定目标订单在各个预设维度下的指标检测参数；进而可根据指标检测参数综合计算出用户订单属于异常订单的预测概率；最后可基于预测概率与预设概率阈值的比较结果确定用户订单是否为异常订单。在本申请中，通过建立指标检测参数的评价机制，可从多个数据维度出发，准确地检测出异常订单，进而能够实现对刷单现象的有效控制，实现对用户或商家合法利益的保护，为虚拟商品交易平台营造良好的购物交易环境。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种异常订单的检测方法，其特征在于，包括：

提取虚拟商品交易平台内用户订单的订单信息；

基于所述订单信息确定所述用户订单的指标检测参数；

根据所述指标检测参数计算所述用户订单属于异常订单的预测概率；

将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单。

2.根据权利要求1所述的方法，其特征在于，所述订单信息包括订单地址信息；

所述基于所述订单信息确定所述用户订单的指标检测参数，具体包括：

将所述订单信息中的订单地址信息与预设风险标记区域进行区域地址匹配；

根据区域地址匹配结果，确定所述用户订单的第一指标检测参数。

3.根据权利要求2所述的方法，其特征在于，所述基于所述订单信息确定所述用户订单的指标检测参数，具体包括：

解析所述订单地址信息，判断所述订单地址信息中是否存在预设组合规则下的标记字符；

根据判断结果生成所述用户订单的第二指标检测参数。

4.根据权利要求1所述的方法，其特征在于，所述订单信息包括用户身份信息；

所述基于所述订单信息确定所述用户订单的指标检测参数，具体包括：

确定与所述订单信息中用户身份信息关联的终端设备标识；

根据历史异常订单标记结果统计与所述终端设备标识匹配的异常订单数量；

基于所述异常订单数量确定所述用户订单的第三指标检测参数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述指标检测参数计算所述用户订单属于异常订单的预测概率，具体包括：

按照预设权重配比计算所述第一指标检测参数、所述第二指标检测参数、所述第三指标检测参数的加权求和结果；

将所述加权求和结果确定为所述用户订单属于异常订单的预测概率；

所述将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单，具体包括：

将所述预测概率大于预设概率阈值的用户订单确定为第一异常订单。

6.根据权利要求1所述的方法，其特征在于，所述订单信息包括订单来源信息、订单类型信息，所述方法还包括：

根据所述订单来源信息、所述订单类型信息和订单地址信息中的至少两种信息，提取在预设时间段内与所述第一异常订单对应订单相似度大于预设相似度阈值的第二异常订单。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

提取所述第一异常订单和所述第二异常订单的公共特征；

基于所述公共特征分析所述第一异常订单和所述第二异常订单的刷单类型；

利用与所述刷单类型匹配的预设刷单处理规则执行对所述第一异常订单和所述第二异常订单的审批处理操作。

8.一种异常订单的检测装置，其特征在于，包括：

提取模块，用于提取虚拟商品交易平台内用户订单的订单信息；

确定模块，用于基于所述订单信息确定所述用户订单的指标检测参数；

计算模块，用于根据所述指标检测参数计算所述用户订单属于异常订单的预测概率；

标记模块，用于将对应所述预测概率大于预设概率阈值的用户订单标记为异常订单。

9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的异常订单的检测方法。

10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的异常订单的检测方法。

Images