CN114331592A - 识别恶意刷单行为的方法 - Google Patents
识别恶意刷单行为的方法 Download PDFInfo
- Publication number
- CN114331592A CN114331592A CN202111511128.0A CN202111511128A CN114331592A CN 114331592 A CN114331592 A CN 114331592A CN 202111511128 A CN202111511128 A CN 202111511128A CN 114331592 A CN114331592 A CN 114331592A
- Authority
- CN
- China
- Prior art keywords
- target object
- behavior
- malicious
- determining
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006399 behavior Effects 0.000 claims abstract description 243
- 230000001680 brushing effect Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010011971 Decreased interest Diseases 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 206010037180 Psychiatric symptoms Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
本申请公开了一种识别恶意刷单行为的方法。其中,该方法包括:获取目标对象在进行商品购买操作的过程中的行为信息;根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。本申请解决了由于相关技术中造成的直接基于用户的行为信息确定用户是否存在恶意刷单行为导致的判定结果不准确,与实际情况存在较大的误差,影响用户的正常使用的技术问题。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种识别恶意刷单行为的方法。
背景技术
酒店刷单通常是指商家(酒店自身)为了谋取某些利益而在携程OTA下一些并不会实际入住的虚假订单这一行为。酒店的常见动机是为了提高自己在酒店列表页排序中的排名,尤其是酒店列表页排序中点评分与产量的权重很高,而通过刷单可以快速提升酒店的点评分以及产量,能够实现短期内迅速提高排名的目的。随着在线旅游行业的风生水起,越来越多的用户会通过排名和酒店平分来选择入住的酒店,酒店采用的所述行为也将会为自身带来更大的收益。
但是,通过作弊的刷单行为提高销量和排名,会导致真实客人的利益受损,甚至就此对平台失去信心,增加平台的获客成本。商家之间的恶性竞争也可能会愈演愈烈,当越来越多的商家尝到了刷单的甜头后,平台的真实性将会面临严峻考验。
目前的刷单公司,已经不仅仅是刷手这么简单,完整而分工明确的作弊产业链已经发展起来。从作弊工具的发明、刷单任务的调配,到刷手的操作行为要求,不同的刷单方式甚至在价格上已经有所区分,以期躲避掉已有的一些生产业务规则。相关技术中,往往会基于获取到的用户行为信息直接判定用户是否存在恶意刷单行为,这种一刀切的判定方式,可能会将普通用户的正常操作行为认定为恶意刷单行为,这种判定方式,易导致判定结果与实际情况偏差较大,存在较大的误差,影响用户的正常使用体验。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种识别恶意刷单行为的方法,以至少解决由于相关技术中造成的直接基于用户的行为信息确定用户是否存在恶意刷单行为导致的判定结果不准确,与实际情况存在较大的误差,影响用户的正常使用的技术问题。
根据本申请实施例的一个方面,提供了一种识别恶意刷单行为的方法,包括:获取目标对象在进行商品购买操作的过程中的行为信息;根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
可选地,使用行为信息包括:注册信息,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括;获取注册信息,其中,注册信息至少包括:设备序列;获取设备序列在预定时间内的注册次数,根据注册次数确定目标对象存在恶意刷单行为的等级,其中,注册次数越多,目标对象存在恶意刷单行为的等级越大。
可选地,使用行为信息包括:酒店点评数据以及历史订单中的酒店预定数据,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括:获取酒店预定数据中的第一酒店集合;获取点评数据确定第二酒店集合;确定第一酒店集合与第二酒店集合的交集酒店;获取交集酒店的第一数量以及第二酒店集合的第二数量;获取第一数量与第二数量的比值,其中,比值用于指示第二酒店集合中每一个酒店为交集酒店的等级;根据比值确定目标对象存在恶意刷单行为的等级,其中,比值越大,目标对象存在恶意刷单行为的等级越大。
可选地,使用行为信息包括:目标对象的浏览信息,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括:根据浏览信息确定目标浏览行为,其中,目标浏览行为包括:异常回看浏览行为、截图行为;确定目标浏览行为在预定时长内的次数确定目标行为的集中度,其中,目标浏览行为在预定时长内的次数越大,集中度越大;根据集中度确定目标对象存在恶意刷单行为的等级,其中,集中度越大,目标对象存在恶意刷单行为的等级越大。
可选地,使用行为信息包括:目标对象所持有终端的软件安装信息,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括:将软件安装信息与黑产软件的黑名单库进行比对,其中,软件安装信息至少用于指示已安装软件的名称以及版本号;根据比对结果确定已安装软件属于黑名单库的数量;根据已安装软件属于黑名单库的数量确定目标对象存在恶意刷单行为的等级,其中,属于黑名单库的数量越多,目标对象存在恶意刷单行为的等级越大。
可选地,使用行为信息包括:优惠信息,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括:获取优惠信息,其中,优惠信息包括:用券信息以及补贴信息;获取酒店佣金与成本,根据酒店佣金与成本确定单个酒店可盈利的最低入住价格;根据优惠信息确定目标对象对应的实际入住价格;根据实际价格与最低入住价格确定利润,根据利润确定目标对象存在恶意刷单行为的等级,其中,利润越小,目标对象存在恶意刷单行为的等级越大。
可选地,使用行为信息包括:目标对象在入住日的第一地理位置与离店日的第二地理位置,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,包括:获取目标商家信息,其中,目标商家信息至少包括:商家的第三地理位置;确定在入住日第一地理位置与第三地理位置的第一距离;确定在离店日第二地理位置与第三地理位置的第二距离;根据第一距离与第二距离组成数据集合,计算数据集合的均值和/或方差;根据均值和/或方差确定目标对象存在恶意刷单行为的等级,其中,均值和/或方差越大,目标对象存在恶意刷单行为的等级越大。
可选地,在确定目标对象的使用行为恶意刷单行为之后,方法还包括:采用预定规则对目标对象进行标记。
根据本申请实施例的另一方面,还提供了一种识别恶意刷单行为的装置,包括:获取模块,用于获取目标对象在进行商品购买操作的过程中的行为信息;第一确定模块,用于根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较模块,用于比较等级与预设等级阈值的大小,得到第一比较结果;第二确定模块,用于在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种识别恶意刷单行为的方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种识别恶意刷单行为的方法。
在本申请实施例中,采用对用户使用行为进行分级判定的方式,通过获取目标对象在进行商品购买操作的过程中的行为信息;根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为,达到了分级判断恶意行为的目的,从而实现了确定用户存在恶意刷单行为的等级,基于该等级对应的预设等级阈值,更加准确地确定用户是否存在恶意刷单行为的技术效果,进而解决了由于相关技术中造成的直接基于用户的行为信息确定用户是否存在恶意刷单行为导致的判定结果不准确,与实际情况存在较大的误差,影响用户的正常使用的技术问题。
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是根据本申请实施例的一种可选的识别恶意刷单行为的方法的流程示意图;
图2是根据本申请实施例的一种可选的基于OTA平台的用于识别用户恶意刷单的方法的流程示意图;
图3是根据本申请实施例的一种可选的基于OTA平台的用于识别用户恶意刷单的方法的流程示意图;
图4是根据本申请实施例的一种识别恶意刷单行为的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于本领域技术人员更好的理解本申请相关实施例,现将本申请实施例可能涉及的技术术语或者部分名词解释如下:
Online Travel Agency(在线旅行社),即在线酒店,旅游,票务等预定系统平台的统称。
网络黑产,指以互联网为媒介,以网络技术为主要手段,为计算机信息安全和网络空间管理秩序,甚至国家安全、社会政治稳定带来潜在威胁的非法行为。网络黑产产业链,是指利用互联网技术实现网络攻击、窃取信息、勒索诈骗、盗窃钱财、推广黄赌毒等网路违法行为,以及这些行为提供工具、资源、平台等准备和非法获利变现的渠道和环节。
根据本申请实施例,提供了一种识别恶意刷单行为的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的识别恶意刷单行为的方法,如图1所示,该方法包括如下步骤:
步骤S12,获取目标对象在进行商品购买操作的过程中的行为信息;
步骤S14,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;
步骤S16,比较等级与预设等级阈值的大小,得到第一比较结果;
步骤S18,在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
该识别恶意刷单行为的方法中,通过获取目标对象在进行商品购买操作的过程中的行为信息;然后,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;最后,在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为,达到了分级判断恶意行为的目的,从而实现了确定用户存在恶意刷单行为的等级,基于该等级对应的预设等级阈值,更加准确地确定用户是否存在恶意刷单行为的技术效果,进而解决了由于相关技术中造成的直接基于用户的行为信息确定用户是否存在恶意刷单行为导致的判定结果不准确,与实际情况存在较大的误差,影响用户的正常使用的技术问题。例如,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级为1.2,预设等级阈值为1,则由于1.2大于1,确定目标对象的使用行为恶意刷单行为。
本申请一些实施例中,使用行为信息包括:注册信息,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,获取注册信息,其中,注册信息至少包括:设备序列;获取设备序列在预定时间内的注册次数,根据注册次数确定目标对象存在恶意刷单行为的等级,其中,注册次数越多,目标对象存在恶意刷单行为的等级越大。
本申请一些实施例中,使用行为信息包括:酒店点评数据以及历史订单中的酒店预定数据,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,获取酒店预定数据中的第一酒店集合;获取点评数据确定第二酒店集合;确定第一酒店集合与第二酒店集合的交集酒店;获取交集酒店的第一数量以及第二酒店集合的第二数量;获取第一数量与第二数量的比值,其中,比值用于指示第二酒店集合中每一个酒店为交集酒店的等级;根据比值确定目标对象存在恶意刷单行为的等级,其中,比值越大,目标对象存在恶意刷单行为的等级越大。
本申请一些可选的实施例中,使用行为信息包括:目标对象的浏览信息,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,根据浏览信息确定目标浏览行为,其中,目标浏览行为包括:异常回看浏览行为、截图行为;确定目标浏览行为在预定时长内的次数确定目标行为的集中度,其中,目标浏览行为在预定时长内的次数越大,集中度越大;根据集中度确定目标对象存在恶意刷单行为的等级,其中,集中度越大,目标对象存在恶意刷单行为的等级越大。
本申请另一些可选的实施例中,使用行为信息包括:目标对象所持有终端的软件安装信息,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,将软件安装信息与黑产软件的黑名单库进行比对,其中,软件安装信息至少用于指示已安装软件的名称以及版本号;根据比对结果确定已安装软件属于黑名单库的数量;根据已安装软件属于黑名单库的数量确定目标对象存在恶意刷单行为的等级,其中,属于黑名单库的数量越多,目标对象存在恶意刷单行为的等级越大。
本申请一些实施例中,使用行为信息包括:优惠信息,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,获取优惠信息,其中,优惠信息包括:用券信息以及补贴信息;获取酒店佣金与成本,根据酒店佣金与成本确定单个酒店可盈利的最低入住价格;根据优惠信息确定目标对象对应的实际入住价格;根据实际价格与最低入住价格确定利润,根据利润确定目标对象存在恶意刷单行为的等级,其中,利润越小,目标对象存在恶意刷单行为的等级越大。
本申请一些可选的实施例中,使用行为信息包括:目标对象在入住日的第一地理位置与离店日的第二地理位置,因此,根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级,可通过如下步骤实现,具体地,获取目标商家信息,其中,目标商家信息至少包括:商家的第三地理位置;确定在入住日第一地理位置与第三地理位置的第一距离;确定在离店日第二地理位置与第三地理位置的第二距离;根据第一距离与第二距离组成数据集合,计算数据集合的均值和/或方差;根据均值和/或方差确定目标对象存在恶意刷单行为的等级,其中,均值和/或方差越大,目标对象存在恶意刷单行为的等级越大。
需要说明的是,在确定目标对象的使用行为恶意刷单行为之后,可采用预定规则对目标对象进行标记。例如,采集预定颜色对目标对象进行标记。
可以理解的,上述使用行为信息可以结合使用,例如,同时根据目标对象在入住日的第一地理位置与离店日的第二地理位置、优惠信息确定目标对象存在恶意刷单行为的等级,容易注意到的是,结合多种使用行为信息确定目标对象存在恶意刷单行为的等级额过程中,可以为各个使用行为信息分配不同的权重值,结合同时根据目标对象在入住日的第一地理位置与离店日的第二地理位置、优惠信息的过程中,可以为目标对象在入住日的第一地理位置与离店日的第二地理位置确定权重值可以为0.7,而优惠信息的权重值可以为0.3。具体而言,在基于目标对象在入住日的第一地理位置与离店日的第二地理位置得到目标对象存在恶意刷单行为的等级为0.8,基于优惠信息得到目标对象存在恶意刷单行为的等级为0.5,则根据权重值可以得到最终的目标等级为:0.8*0.7+0.5*0.3=0.71。可以理解的,通过多维度数据的结合,对用户的是否存在刷单行为进行分析,同时细化刷单识别颗粒度,从单笔订单进行分析识别,提高刷单识别的准确性程度,有效评估用户,实现了对恶意刷单用户精准的识别与拦截。
图2是本申请一种可选的基于OTA平台的用于识别用户恶意刷单的方法的流程示意图,如图2所示,该方法包括:
S101、获取用户订单的订单信息,包括用户预定酒店、入住人、入住时间、预定时间与入住时间时间差、点评时间与离店时间时间差,同时根据所述数据计算用户历史订单的酒店订单分布均值和/或方差,计算用户历史订单的城市分布均值和/或方差,单间夜订单(订单预定一个入住日一间房)的分布均值和/或方差,入住日预定订单的分布均值和/或方差等。
S102、获取用户订单的地理位置信息,包含商家信息和下单用户的经纬度信息。根据用户入住日经纬度信息和商家信息,计算用户入住日当天距离商户的地理位置距离;根据用户离店日经纬度信息和商家信息,计算用户离店日当天距离商户的地理位置距离,计算所述距离的均值和/或方差。较佳地,我们也会计算用户订单ip位置和酒店位置之间的距离。
S103、根据所述的用户订单信息和用户地理位置信息,判断不同用户之间的订单行为交集,较佳地,计算不同用户之间的点评行为交集。获取用户预定酒店和点评酒店的交集分布和相关均值和/或方差,并判断所述均值和/或方差是否在设定时间口径内超过设定阈值,若是,用户在订单行为上恶意等级较高,超过所述等级阈值,并执行步骤S104。
S104、确定用户为恶意刷单用户,并对所述恶意刷单用户的订单进行识别打标操作。
本实施例基于用户的基本订单行为,获取用户的订单信息,基于用户的地理位置信息,获取用户入住情况下和酒店的地理位置距离,结合所述两者进行分析,得到不同用户订单行为的交集,从而进行识别恶意刷单用户。通过选择用户对应的不同维度信息,并进行结合分析,实现从多维度数据的角度有效对用户进行评估,对于一些订单行为较少的新注册用户能够实现更有效地识别,提高了对恶意刷单用户的精准识别能力。
图3是本申请一种可选的基于OTA平台的用于识别用户恶意刷单的方法的流程示意图,如图3所示,该方法包括:
S201、用户的浏览信息包括用户行为日志触发埋点及浏览行为时长、浏览页面内容、浏览过程中的切换行为、浏览异常行为,包括不限于截图行为、异常回看浏览行为、粘贴行为等,获取所述数据并判断用户此类行为集中程度。
S202、获取用户订单的地理位置信息,包含商家信息和下单用户的经纬度信息。根据用户入住日经纬度信息和商家信息,计算用户入住日当天距离商户的地理位置距离;根据用户离店日经纬度信息和商家信息,计算用户离店日当天距离商户的地理位置距离,计算所述距离的均值和/或方差。较佳地,我们也会计算用户订单ip位置和酒店位置之间的距离进行辅助判断。
S203、结合所述的用户浏览行为信息和地理位置信息,判断用户入住当天与酒店的距离作为订单真实性判断的有效依据,结合用户从订单成交后到点评之前的浏览行为轨迹,是否出现多次异常的浏览行为进行虚假点评,根据两者之间的交叉判断订单是否存在虚假好评的情况。较好地,我们也会判断这种异常浏览行为产生的虚假点评在酒店维度的聚集性程度,判断峰值和/或均值,方差情况,进而补充虚假订单的识别情况。
S204、确定用户为恶意刷单用户,并对所述恶意刷单用户的订单进行识别打标操作。
本实施例基于用户的浏览行为和地理位置信息,通过获得用户行为日志触发埋点及浏览行为时长等情况,判断是否存在异常浏览行为轨迹;通过用户订单的地理位置信息,判断用户当天是否真实入住。通过多维度数据的结合,对用户的是否存在刷单行为进行分析,同时细化刷单识别颗粒度,从单笔订单进行分析识别,提高刷单识别的准确性程度,有效评估用户,实现了对恶意刷单用户精准的识别与拦截。
图4是根据本申请实施例的一种识别恶意刷单行为的装置,如图4所示,该装置包括:
获取模块40,用于获取目标对象在进行商品购买操作的过程中的行为信息;
第一确定模块42,用于根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;
比较模块44,用于比较等级与预设等级阈值的大小,得到第一比较结果;
第二确定模块46,用于在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
该装置中,获取模块40,用于获取目标对象在进行商品购买操作的过程中的行为信息;第一确定模块42,用于根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较模块44,用于比较等级与预设等级阈值的大小,得到第一比较结果;第二确定模块46,用于在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为,达到了分级判断恶意行为的目的,从而实现了确定用户存在恶意刷单行为的等级,基于该等级对应的预设等级阈值,更加准确地确定用户是否存在恶意刷单行为的技术效果,进而解决了由于相关技术中造成的直接基于用户的行为信息确定用户是否存在恶意刷单行为导致的判定结果不准确,与实际情况存在较大的误差,影响用户的正常使用的技术问题。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种识别恶意刷单行为的方法。
具体地,上述存储介质用于存储执行以下功能的程序指令,实现以下功能:
获取目标对象在进行商品购买操作的过程中的行为信息;根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种识别恶意刷单行为的方法。
具体地,上述处理器用于调用存储器中的程序指令,实现以下功能:获取目标对象在进行商品购买操作的过程中的行为信息;根据目标对象的使用行为信息确定目标对象存在恶意刷单行为的等级;比较等级与预设等级阈值的大小,得到第一比较结果;在第一比较结果指示等级大于预设等级阈值的情况下,确定目标对象的使用行为恶意刷单行为。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种识别恶意刷单行为的方法,其特征在于,包括:
获取目标对象在进行商品购买操作的过程中的行为信息;
根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级;
比较所述等级与预设等级阈值的大小,得到第一比较结果;
在所述第一比较结果指示所述等级大于所述预设等级阈值的情况下,确定所述目标对象的使用行为所述恶意刷单行为。
2.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:注册信息,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括;
获取所述注册信息,其中,所述注册信息至少包括:设备序列;
获取所述设备序列在预定时间内的注册次数,根据所述注册次数确定所述目标对象存在恶意刷单行为的等级,其中,所述注册次数越多,所述目标对象存在恶意刷单行为的等级越大。
3.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:酒店点评数据以及历史订单中的酒店预定数据,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括:
获取所述酒店预定数据中的第一酒店集合;
获取所述点评数据确定第二酒店集合;
确定所述第一酒店集合与所述第二酒店集合的交集酒店;
获取所述交集酒店的第一数量以及所述第二酒店集合的第二数量;
获取所述第一数量与所述第二数量的比值,其中,所述比值用于指示所述第二酒店集合中每一个酒店为所述交集酒店的等级;
根据所述比值确定所述目标对象存在恶意刷单行为的等级,其中,所述比值越大,所述目标对象存在恶意刷单行为的等级越大。
4.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:所述目标对象的浏览信息,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括:
根据所述浏览信息确定目标浏览行为,其中,所述目标浏览行为包括:异常回看浏览行为、截图行为;
确定所述目标浏览行为在预定时长内的次数确定所述目标行为的集中度,其中,所述目标浏览行为在预定时长内的次数越大,所述集中度越大;
根据所述集中度确定所述目标对象存在恶意刷单行为的等级,其中,所述集中度越大,所述目标对象存在恶意刷单行为的等级越大。
5.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:所述目标对象所持有终端的软件安装信息,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括:
将所述软件安装信息与黑产软件的黑名单库进行比对,其中,所述软件安装信息至少用于指示已安装软件的名称以及版本号;
根据比对结果确定所述已安装软件属于所述黑名单库的数量;
根据所述已安装软件属于所述黑名单库的数量确定所述目标对象存在恶意刷单行为的等级,其中,所述属于黑名单库的数量越多,所述目标对象存在恶意刷单行为的等级越大。
6.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:优惠信息,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括:
获取所述优惠信息,其中,所述优惠信息包括:用券信息以及补贴信息;
获取酒店佣金与成本,根据所述酒店佣金与所述成本确定单个酒店可盈利的最低入住价格;
根据所述优惠信息确定所述目标对象对应的实际入住价格;
根据所述实际价格与所述最低入住价格确定利润,根据所述利润确定所述目标对象存在恶意刷单行为的等级,其中,所述利润越小,所述目标对象存在恶意刷单行为的等级越大。
7.根据权利要求1所述的方法,其特征在于,所述使用行为信息包括:所述目标对象在入住日的第一地理位置与离店日的第二地理位置,根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级,包括:
获取目标商家信息,其中,所述目标商家信息至少包括:所述商家的第三地理位置;
确定在所述入住日所述第一地理位置与所述第三地理位置的第一距离;
确定在所述离店日所述第二地理位置与所述第三地理位置的第二距离;
根据所述第一距离与所述第二距离组成数据集合,计算所述数据集合的均值和/或方差;
根据所述均值和/或方差确定所述目标对象存在恶意刷单行为的等级,其中,所述均值和/或方差越大,所述目标对象存在恶意刷单行为的等级越大。
8.根据权利要求1至权利要求7任意一项所述的方法,其特征在于,在确定所述目标对象的使用行为所述恶意刷单行为之后,所述方法还包括:
采用预定规则对所述目标对象进行标记。
9.一种识别恶意刷单行为的装置,其特征在于,包括:
获取模块,用于获取目标对象在进行商品购买操作的过程中的行为信息;
第一确定模块,用于根据目标对象的使用行为信息确定所述目标对象存在恶意刷单行为的等级;
比较模块,用于比较所述等级与预设等级阈值的大小,得到第一比较结果;
第二确定模块,用于在所述第一比较结果指示所述等级大于所述预设等级阈值的情况下,确定所述目标对象的使用行为所述恶意刷单行为。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述识别恶意刷单行为的方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述识别恶意刷单行为的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511128.0A CN114331592A (zh) | 2021-12-10 | 2021-12-10 | 识别恶意刷单行为的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511128.0A CN114331592A (zh) | 2021-12-10 | 2021-12-10 | 识别恶意刷单行为的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331592A true CN114331592A (zh) | 2022-04-12 |
Family
ID=81050800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111511128.0A Pending CN114331592A (zh) | 2021-12-10 | 2021-12-10 | 识别恶意刷单行为的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331592A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385029A (zh) * | 2023-04-20 | 2023-07-04 | 深圳市天下房仓科技有限公司 | 酒店刷单检测方法、系统、电子设备及存储介质 |
CN117196640A (zh) * | 2023-11-06 | 2023-12-08 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
CN108200082A (zh) * | 2018-01-25 | 2018-06-22 | 上海携程商务有限公司 | Ota平台的用于识别用户恶意刷单的方法及系统 |
CN110599200A (zh) * | 2019-09-10 | 2019-12-20 | 携程计算机技术(上海)有限公司 | Ota酒店的虚假地址的检测方法、系统、介质及设备 |
CN111445271A (zh) * | 2020-03-31 | 2020-07-24 | 携程计算机技术(上海)有限公司 | 模型生成方法、作弊酒店的预测方法、系统、设备和介质 |
CN111598588A (zh) * | 2020-05-20 | 2020-08-28 | 广州鹄志信息咨询有限公司 | 一种刷单识别方法 |
-
2021
- 2021-12-10 CN CN202111511128.0A patent/CN114331592A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
CN108200082A (zh) * | 2018-01-25 | 2018-06-22 | 上海携程商务有限公司 | Ota平台的用于识别用户恶意刷单的方法及系统 |
CN110599200A (zh) * | 2019-09-10 | 2019-12-20 | 携程计算机技术(上海)有限公司 | Ota酒店的虚假地址的检测方法、系统、介质及设备 |
CN111445271A (zh) * | 2020-03-31 | 2020-07-24 | 携程计算机技术(上海)有限公司 | 模型生成方法、作弊酒店的预测方法、系统、设备和介质 |
CN111598588A (zh) * | 2020-05-20 | 2020-08-28 | 广州鹄志信息咨询有限公司 | 一种刷单识别方法 |
Non-Patent Citations (1)
Title |
---|
王蕊: "美团酒店刷单调查:销量、评价等都可以作假_央广网", Retrieved from the Internet <URL:https://tech.cnr.cn/techhlw/20160127/t20160127_521246558.shtml> * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385029A (zh) * | 2023-04-20 | 2023-07-04 | 深圳市天下房仓科技有限公司 | 酒店刷单检测方法、系统、电子设备及存储介质 |
CN116385029B (zh) * | 2023-04-20 | 2024-01-30 | 深圳市天下房仓科技有限公司 | 酒店刷单检测方法、系统、电子设备及存储介质 |
CN117196640A (zh) * | 2023-11-06 | 2023-12-08 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
CN117196640B (zh) * | 2023-11-06 | 2024-02-02 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009844B (zh) | 确定广告作弊行为的方法、装置及云服务器 | |
JP6878450B2 (ja) | 広告に関する不正行為を防止するための方法及びデバイス並びに記憶媒体 | |
CN106651458B (zh) | 一种广告反作弊方法和装置 | |
CN108733706B (zh) | 热度信息的生成方法和装置 | |
CN114331592A (zh) | 识别恶意刷单行为的方法 | |
CN106469276B (zh) | 数据样本的类型识别方法及装置 | |
CN109063966A (zh) | 风险账户的识别方法和装置 | |
CN104836781A (zh) | 区分访问用户身份的方法及装置 | |
CN104268378B (zh) | 一种基于移动用户大数据的异常行为可视化监控方法 | |
Dullaghan et al. | Integration of machine learning techniques to evaluate dynamic customer segmentation analysis for mobile customers | |
CN110349039A (zh) | 投诉风险评估方法、系统、计算机设备及可读存储介质 | |
CN106779608B (zh) | 一种基于微信平台的信息处理方法及信息处理系统 | |
CN109934595A (zh) | 基于大数据的房产交易方法、装置、设备及存储介质 | |
CN110675078A (zh) | 上市公司风险诊断方法、系统、计算机终端及存储介质 | |
CN109993392A (zh) | 业务投诉风险预估方法、装置、计算设备及存储介质 | |
CN110992135A (zh) | 一种风险识别方法、装置、电子设备及存储介质 | |
KR101035784B1 (ko) | 시간 및 시간에 따른 효용에 기초하여 광고를 제공하는방법 및 시스템 | |
CN106301979B (zh) | 检测异常渠道的方法和系统 | |
CN106897880B (zh) | 一种账号风险评估方法和设备 | |
CN108243068A (zh) | 一种确定异常流量的方法及服务器 | |
CN104751234B (zh) | 一种用户资产的预测方法及装置 | |
CN112819476A (zh) | 风险识别方法、装置、非易失性存储介质和处理器 | |
CN112910953A (zh) | 业务数据的推送方法、装置和服务器 | |
CN109711984B (zh) | 一种基于催收的贷前风险监控方法及装置 | |
CN108960501B (zh) | 一种商品防窜货方法 |
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 |