CN114996113A - 大数据的线上用户异常操作实时监控预警方法及装置 - Google Patents
大数据的线上用户异常操作实时监控预警方法及装置 Download PDFInfo
- Publication number
- CN114996113A CN114996113A CN202210895885.0A CN202210895885A CN114996113A CN 114996113 A CN114996113 A CN 114996113A CN 202210895885 A CN202210895885 A CN 202210895885A CN 114996113 A CN114996113 A CN 114996113A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- matrix
- abnormal operation
- projection
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 195
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 448
- 239000011159 matrix material Substances 0.000 claims abstract description 188
- 239000013598 vector Substances 0.000 claims abstract description 104
- 230000006870 function Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 125000001153 fluoro group Chemical group F* 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据处理技术领域，揭露了一种大数据的线上用户异常操作实时监控预警方法及装置，包括：接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台，从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为，根据所述用户行为构建行为矩阵，根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量，求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。本发明可解决异常操作的监控准确率不高的问题。
Description
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种大数据的线上用户异常操作实时监控预警方法、装置、电子设备及计算机可读存储介质。
背景技术
伴随大数据技术的快速发展，目前基于大数据的线上平台呈现井喷式发展，如线上购物等。线上平台虽然方便提高生活生产效率，但也存在不法分子恶意破坏线上平台秩序的行为，其中线上平台中恶意操作屡见不鲜，如恶意拍卖行为、恶意评价行为及恶意投诉行为等行为。
目前基于线上用户的异常操作监控，主要依赖于线上用户在固定时间段内所操作行为是否达到固定阈值而判断是否存在异常行为，如在固定时间段内买卖商品数量是否达到某个固定值，当达到某个固定值即判断为异常行为。
这种方法虽然可实现线上用户的异常操作监控，但由于将每种用户的操作行为都割裂判断，其对线上用户的操作监控难以统一且全方位的监控，导致产生监控准确率不高的问题。
发明内容
本发明提供一种大数据的线上用户异常操作实时监控预警方法、装置及计算机可读存储介质，其主要目的在于解决异常操作的监控准确率不高的问题。
为实现上述目的，本发明提供的一种大数据的线上用户异常操作实时监控预警方法，包括：
接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量；
求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
可选地，所述根据所述用户行为构建行为矩阵，包括：
依次将每个用户的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为转为指定进制的数据，得到行为数据；
依次将每个用户的每种行为数据按照预设顺序排列得到行为向量；
计算每个用户的行为向量对应的行为调节值；
将所述每个用户的行为向量及对应的行为调节值组合得到所述线上平台所有用户的行为矩阵。
可选地，所述计算每个用户的行为向量对应的行为调节值，包括：
设定所述行为矩阵的第一行及最后一行的行为调节值为0.5，即t1=tm=0.5；
计算除第一行及最后一行的其他行的行为调节值的调节区间；
在每一行所对应的调节区间内随机选择一个值确定为该行的行为调节值；
汇总第一行至最后一行的行为调节值，得到每个用户的行为向量对应的行为调节值。
可选地，所述计算除第一行及最后一行的其他行的行为调节值的调节区间，包括：
根据如下公式计算所述调节区间的下区间：
其中，ti表示第i行的调节区间的下区间，sigmoid为一种激活函数，xij表示第i个用户第j种行为数据的行为数据，β为所述第i行的调节区间的下调节因子；
确定所述调节区间的上区间为1，构建得到调节区间。
可选地，所述根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，包括：
依次从所述行为矩阵中提取每行行为向量中的行为数据，将每行每列的行为数据作为所述投影公式的参数计算得到投影数据；
重新组合每组投影数据得到所述投影矩阵。
可选地，所述构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型由正态线性模型组成，所述正态线性模型包括误差方差及多维调节向量，包括：
降低所述投影矩阵的矩阵维度，得到低维矩阵；
设定所述低维矩阵满足正态分布，并假设得到正态分布的误差方差；
设定所述低维矩阵的乘积项，其中所述乘积项即为所述多维调节向量；
根据所述多维调节向量、误差方差及低维矩阵构建得到所述异常操作估计模型。
可选地，所述异常操作估计模型为：
其中，Tu×1表示所述异常操作估计模型的异常概率向量，X’’u×v表示所述低维矩阵，u×v为所述低维矩阵的矩阵维度，表示共u行v列，βv×1表示所述多维调节向量，σ2表示所述误差方差，Iu×1为所述误差方差的矩阵转化向量，eu×1为所述异常操作估计模型的偏置向量，softmax为概率评估函数。
为了解决上述问题，本发明还提供一种大数据的线上用户异常操作实时监控预警装置，所述装置包括：
线上平台启动模块，用于接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
用户行为收集模块，用于从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
行为矩阵构建模块，用于根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
投影矩阵计算模块，用于根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
操作异常判断模块，用于构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量，求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的大数据的线上用户异常操作实时监控预警方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的大数据的线上用户异常操作实时监控预警方法。
为解决背景技术所述问题。本发明实施例先接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台，从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为，为统一考虑每一种行为，本发明实施例根据所述用户行为构建行为矩阵，其中行为矩阵中包括了每个用户的所有线上平台行为，进一步地，为了提高行为矩阵的表示准确率，根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，并根据构建所述投影矩阵的异常操作估计模型，由于异常操作估计模型相比于简单的设定固定值来说，可统一考虑到所有的行为信息而给予全局的操作行为是否异常的判断。因此本发明提出的大数据的线上用户异常操作实时监控预警方法、装置、电子设备及计算机可读存储介质，可以解决异常操作的监控准确率不高的问题。
附图说明
图1为本发明一实施例提供的大数据的线上用户异常操作实时监控预警方法的流程示意图；
图2为本发明一实施例提供的大数据的线上用户异常操作实时监控预警装置的功能模块图；
图3为本发明一实施例提供的实现所述大数据的线上用户异常操作实时监控预警方法的电子设备的结构示意图。
图中：1-电子设备；10-处理器；11-存储器；13-通信接口；100-大数据的线上用户异常操作实时监控预警装置；101-线上平台启动模块；102-用户行为收集模块；103-行为矩阵构建模块；104-投影矩阵计算模块；105-操作异常判断模块。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种大数据的线上用户异常操作实时监控预警方法。所述大数据的线上用户异常操作实时监控预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述大数据的线上用户异常操作实时监控预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的大数据的线上用户异常操作实时监控预警方法的流程示意图。在本实施例中，所述大数据的线上用户异常操作实时监控预警方法包括：
S1、接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
本发明实施例中，用户操作监控指令可由线上平台的管理者发起，若线上平台是一款文具买卖的平台，为了防止文具买卖平台里不法用户恶意刷单、拒不退货等行为，作为文具买卖平台的管理者发起用户操作监控指令，以检测每个线上用户的线上行为。
S2、从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
本发明实施例中，所述用户行为包括但不限于商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为
需解释的是，被拍下行为操作频率过高将导致异常被拍下行为，其中异常被拍下行为表示短时间内被一个或多个账户大量拍下商品不付款，导致商品库存被占用，无法销售给正常消费者，产生资损；同样地，异常的被退款行为表示在退款售后中，被同一个账户频繁的申请“仅退款”，或者消费者的退货单号虚假，或收到异常的空包、掉包，或者少件退货包裹；异常的被赔付行为包括订单的收货地址或者收货人信息无效或不准确，导致无法按规发货产生赔付，或是买家下单后立即申请“缺货”，退款未及时响应导致赔付；异常评价行为包括：评价中出现污秽言语、广告信息、无实际意义信息等评价内容；异常的被投诉行为包括出现行为瑕疵时，被买家以发起投诉举报、给予差评等手段胁迫要求给予利益的。
需解释的是，在计算机中每种用户行为均以字符或数值型数据记录，因此可将所有的用户行为组建在一个矩阵内形成行为矩阵。
S3、根据所述用户行为构建行为矩阵；
详细地，所述根据所述用户行为构建行为矩阵，包括：
依次将每个用户的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为转为指定进制的数据，得到行为数据，其中所述行为数据可以为被拍下数据、被退款数据、被赔付数据、被评价数据或被投诉数据；
依次将每个用户的每种行为数据按照预设顺序排列得到行为向量；
计算每个用户的行为向量对应的行为调节值；
将所述每个用户的行为向量及对应的行为调节值组合得到所述线上平台所有用户的行为矩阵。
示例性的，如将每个用户的用户行为均转为10进制的数据，得到被拍下行为的行为数据为[2,650]，其中2表示指定的某时间段的两个小时，650表示2个小时内被一个或多个账户所拍下商品但不付款的商品量。
进一步地，将每个用户的每种行为数据按照预设顺序排列得到行为向量，即可得到am，表示第m个用户的行为向量，其中am=xm1,xm2...xmn，xmn即表示行为数据。
进一步地，所述计算每个用户的行为向量对应的行为调节值，包括：
设定所述行为矩阵的第一行及最后一行的行为调节值为0.5，即t1=tm=0.5；
计算除第一行及最后一行的其他行的行为调节值的调节区间；
在每一行所对应的调节区间内随机选择一个值确定为该行的行为调节值；
汇总第一行至最后一行的行为调节值，得到每个用户的行为向量对应的行为调节值。
进一步地，所述计算除第一行及最后一行的其他行的行为调节值的调节区间，包括：
根据如下公式计算所述调节区间的下区间：
其中，ti表示第i行的调节区间的下区间，sigmoid为一种激活函数，xij表示第i个用户第j种行为数据的行为数据，β为所述第i行的调节区间的下调节因子，由用户确定；
确定所述调节区间的上区间为1，构建得到调节区间。
因此可知第i行的调节区间为[ti,1]，因此第i行的行为调节值为在[ti,1]内随机选择一个值得到。
其中，所述行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
S4、根据预先设定的投影公式，计算所述行为矩阵的投影矩阵；
详细地，所述根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，包括：
依次从所述行为矩阵中提取每行行为向量中的行为数据，将每行每列的行为数据作为所述投影公式的参数计算得到投影数据；
重新组合每组投影数据得到所述投影矩阵。
其中，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，且需不小于0，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值。
S5、构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量；
详细地，所述构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型由正态线性模型组成，所述正态线性模型包括误差方差及多维调节向量，包括：
降低所述投影矩阵的矩阵维度，得到低维矩阵；
设定所述低维矩阵满足正态分布，并假设得到正态分布的误差方差；
设定所述低维矩阵的乘积项，其中所述乘积项即为所述多维调节向量；
根据所述多维调节向量、误差方差及低维矩阵构建得到所述异常操作估计模型。
本发明实施例中，降低所述投影矩阵的矩阵维度的手段可采用卷积操作，即确定多种不同卷积核大小的卷积网络，依次遍历所述投影矩阵，即可得到维度降低后的矩阵，即所述低维矩阵。
详细地，所述异常操作估计模型为：
其中，Tu×1表示所述异常操作估计模型的异常概率向量，X’’u×v表示所述低维矩阵，u×v为所述低维矩阵的矩阵维度，表示共u行v列，βv×1表示所述多维调节向量，σ2表示所述误差方差，Iu×1为所述误差方差的矩阵转化向量，eu×1为所述异常操作估计模型的偏置向量，softmax为概率评估函数，将X’’u×vβv×1+eu×1计算得到的每一行数值均输入至softmax中得到异常操作概率值，即所述异常概率向量的每行数值即为每个用户的异常操作概率值。
S6、求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
详细地，所述求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果，包括：
求解所述异常操作估计模型的表达式，得到所述异常概率向量，其中所述异常概率向量的每行数值即为每个用户的异常操作概率值；
接收用户设定的异常操作阈值，依次将每个用户的异常操作概率值与所述异常操作阈值执行比对，当异常操作概率值大于或等于所述异常操作阈值时，即表示该用户为异常用户；
统计所有异常用户并汇总得到用户异常操作监测结果。
需解释的是，根据S5的异常操作估计模型表达式可知，当计算该表达式即可得到Tu×1，而Tu×1共有u行，表示共有u个用户，每一行用户的异常操作概率值均被记载在Tu×1，若设定的异常操作阈值为0.6，依次判断大小即可得到每个用户的异常操作检测结果。
为解决背景技术所述问题。本发明实施例先接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台，从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为，为统一考虑每一种行为，本发明实施例根据所述用户行为构建行为矩阵，其中行为矩阵中包括了每个用户的所有线上平台行为，进一步地，为了提高行为矩阵的表示准确率，根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，并根据构建所述投影矩阵的异常操作估计模型，由于异常操作估计模型相比于简单的设定固定值来说，可统一考虑到所有的行为信息而给予全局的操作行为是否异常的判断。因此本发明提出的大数据的线上用户异常操作实时监控预警方法、装置、电子设备及计算机可读存储介质，可以解决异常操作的监控准确率不高的问题。
如图2所示，是本发明一实施例提供的大数据的线上用户异常操作实时监控预警装置的功能模块图。
本发明所述大数据的线上用户异常操作实时监控预警装置100可以安装于电子设备中。根据实现的功能，所述大数据的线上用户异常操作实时监控预警装置100可以包括线上平台启动模块101、用户行为收集模块102、行为矩阵构建模块103、投影矩阵计算模块104及操作异常判断模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述线上平台启动模块101，用于接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
所述用户行为收集模块102，用于从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
所述行为矩阵构建模块103，用于根据所述用户行为构建行为矩阵；
所述投影矩阵计算模块104，用于根据预先设定的投影公式，计算所述行为矩阵的投影矩阵；
所述操作异常判断模块105，用于构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量，求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
详细地，本发明实施例中所述大数据的线上用户异常操作实时监控预警装置100中的所述各模块的使用具体实施方式：
线上平台启动模块101、接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台。
本发明实施例中，用户操作监控指令可由线上平台的管理者发起，若线上平台是一款文具买卖的平台，为了防止文具买卖平台里不法用户恶意刷单、拒不退货等行为，作为文具买卖平台的管理者发起用户操作监控指令，以检测每个线上用户的线上行为。
用户行为收集模块102、从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为。
本发明实施例中，所述用户行为包括但不限于商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为
需解释的是，被拍下行为操作频率过高将导致异常被拍下行为，其中异常被拍下行为表示短时间内被一个或多个账户大量拍下商品不付款，导致商品库存被占用，无法销售给正常消费者，产生资损；同样地，异常的被退款行为表示在退款售后中，被同一个账户频繁的申请“仅退款”，或者消费者的退货单号虚假，或收到异常的空包、掉包，或者少件退货包裹；异常的被赔付行为包括订单的收货地址或者收货人信息无效或不准确，导致无法按规发货产生赔付，或是买家下单后立即申请“缺货”，退款未及时响应导致赔付；异常评价行为包括：评价中出现污秽言语、广告信息、无实际意义信息等评价内容；异常的被投诉行为包括出现行为瑕疵时，被买家以发起投诉举报、给予差评等手段胁迫要求给予利益的。
需解释的是，在计算机中每种用户行为均以字符或数值型数据记录，因此可将所有的用户行为组建在一个矩阵内形成行为矩阵。
行为矩阵构建模块103、根据所述用户行为构建行为矩阵。
详细地，所述根据所述用户行为构建行为矩阵，包括：
依次将每个用户的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为转为指定进制的数据，得到行为数据，其中所述行为数据可以为被拍下数据、被退款数据、被赔付数据、被评价数据或被投诉数据；
依次将每个用户的每种行为数据按照预设顺序排列得到行为向量；
计算每个用户的行为向量对应的行为调节值；
将所述每个用户的行为向量及对应的行为调节值组合得到所述线上平台所有用户的行为矩阵。
示例性的，如将每个用户的用户行为均转为10进制的数据，得到被拍下行为的行为数据为[2,650]，其中2表示指定的某时间段的两个小时，650表示2个小时内被一个或多个账户所拍下商品但不付款的商品量。
进一步地，将每个用户的每种行为数据按照预设顺序排列得到行为向量，即可得到am，表示第m个用户的行为向量，其中am=xm1,xm2...xmn,xmn即表示行为数据。
进一步地，所述计算每个用户的行为向量对应的行为调节值，包括：
设定所述行为矩阵的第一行及最后一行的行为调节值为0.5，即t1=tm=0.5；
计算除第一行及最后一行的其他行的行为调节值的调节区间；
在每一行所对应的调节区间内随机选择一个值确定为该行的行为调节值；
汇总第一行至最后一行的行为调节值，得到每个用户的行为向量对应的行为调节值。
进一步地，所述计算除第一行及最后一行的其他行的行为调节值的调节区间，包括：
根据如下公式计算所述调节区间的下区间：
其中，ti表示第i行的调节区间的下区间，sigmoid为一种激活函数，xij表示第i个用户第j种行为数据的行为数据，β为所述第i行的调节区间的下调节因子，由用户确定；
确定所述调节区间的上区间为1，构建得到调节区间。
因此可知第
行的调节区间为[ti,1]，因此第i行的行为调节值为在[ti,1]内随机选择一个值得到。
其中，所述行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值。
投影矩阵计算模块104、根据预先设定的投影公式，计算所述行为矩阵的投影矩阵。
详细地，所述根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，包括：
依次从所述行为矩阵中提取每行行为向量中的行为数据，将每行每列的行为数据作为所述投影公式的参数计算得到投影数据；
重新组合每组投影数据得到所述投影矩阵。
其中，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，且需不小于0，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值。
操作异常判断模块105、构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量，求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
详细地，所述构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型由正态线性模型组成，所述正态线性模型包括误差方差及多维调节向量，包括：
降低所述投影矩阵的矩阵维度，得到低维矩阵；
设定所述低维矩阵满足正态分布，并假设得到正态分布的误差方差；
设定所述低维矩阵的乘积项，其中所述乘积项即为所述多维调节向量；
根据所述多维调节向量、误差方差及低维矩阵构建得到所述异常操作估计模型。
本发明实施例中，降低所述投影矩阵的矩阵维度的手段可采用卷积操作，即确定多种不同卷积核大小的卷积网络，依次遍历所述投影矩阵，即可得到维度降低后的矩阵，即所述低维矩阵。
详细地，所述异常操作估计模型为：
其中，Tu×1表示所述异常操作估计模型的异常概率向量，X’’u×v表示所述低维矩阵，u×v为所述低维矩阵的矩阵维度，表示共u行v列，βv×1表示所述多维调节向量，σ2表示所述误差方差，Iu×1为所述误差方差的矩阵转化向量，eu×1为所述异常操作估计模型的偏置向量，softmax为概率评估函数，将X’’u×vβv×1+eu×1计算得到的每一行数值均输入至softmax中得到异常操作概率值，即所述异常概率向量的每行数值即为每个用户的异常操作概率值。
详细地，所述求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果，包括：
求解所述异常操作估计模型的表达式，得到所述异常概率向量，其中所述异常概率向量的每行数值即为每个用户的异常操作概率值；
接收用户设定的异常操作阈值，依次将每个用户的异常操作概率值与所述异常操作阈值执行比对，当异常操作概率值大于或等于所述异常操作阈值时，即表示该用户为异常用户；
统计所有异常用户并汇总得到用户异常操作监测结果。
需解释的是，异常操作估计模型表达式可知，当计算该表达式即可得到Tu×1，而Tu×1共有u行，表示共有u个用户，每一行用户的异常操作概率值均被记载在Tu×1，若设定的异常操作阈值为0.6，依次判断大小即可得到每个用户的异常操作检测结果。
为解决背景技术所述问题。本发明实施例先接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台，从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为，为统一考虑每一种行为，本发明实施例根据所述用户行为构建行为矩阵，其中行为矩阵中包括了每个用户的所有线上平台行为，进一步地，为了提高行为矩阵的表示准确率，根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，并根据构建所述投影矩阵的异常操作估计模型，由于异常操作估计模型相比于简单的设定固定值来说，可统一考虑到所有的行为信息而给予全局的操作行为是否异常的判断。因此本发明提出的大数据的线上用户异常操作实时监控预警方法、装置、电子设备及计算机可读存储介质，可以解决异常操作的监控准确率不高的问题。
如图3所示，是本发明一实施例提供的实现大数据的线上用户异常操作实时监控预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如大数据的线上用户异常操作实时监控预警方法程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如大数据的线上用户异常操作实时监控预警方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如大数据的线上用户异常操作实时监控预警方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的大数据的线上用户异常操作实时监控预警方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量；
求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量；
求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种大数据的线上用户异常操作实时监控预警方法，其特征在于，所述方法包括：
接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量；
求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
2.如权利要求1所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述根据所述用户行为构建行为矩阵，包括：
依次将每个用户的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为转为指定进制的数据，得到行为数据；
依次将每个用户的每种行为数据按照预设顺序排列得到行为向量；
计算每个用户的行为向量对应的行为调节值；
将所述每个用户的行为向量及对应的行为调节值组合得到所述线上平台所有用户的行为矩阵。
3.如权利要求2所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述计算每个用户的行为向量对应的行为调节值，包括：
设定所述行为矩阵的第一行及最后一行的行为调节值为0.5，即t1=tm=0.5；
计算除第一行及最后一行的其他行的行为调节值的调节区间；
在每一行所对应的调节区间内随机选择一个值确定为该行的行为调节值；
汇总第一行至最后一行的行为调节值，得到每个用户的行为向量对应的行为调节值。
4.如权利要求3所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述计算除第一行及最后一行的其他行的行为调节值的调节区间，包括：
根据如下公式计算所述调节区间的下区间：
其中，ti表示第i行的调节区间的下区间，sigmoid为一种激活函数，xij表示第i个用户第j种行为数据的行为数据，β为所述第i行的调节区间的下调节因子；
确定所述调节区间的上区间为1，构建得到调节区间。
5.如权利要求4所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，包括：
依次从所述行为矩阵中提取每行行为向量中的行为数据，将每行每列的行为数据作为所述投影公式的参数计算得到投影数据；
重新组合每组投影数据得到所述投影矩阵。
6.如权利要求5所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型由正态线性模型组成，所述正态线性模型包括误差方差及多维调节向量，包括：
降低所述投影矩阵的矩阵维度，得到低维矩阵；
设定所述低维矩阵满足正态分布，并假设得到正态分布的误差方差；
设定所述低维矩阵的乘积项，其中所述乘积项即为所述多维调节向量；
根据所述多维调节向量、误差方差及低维矩阵构建得到所述异常操作估计模型。
7.如权利要求6所述的大数据的线上用户异常操作实时监控预警方法，其特征在于，所述异常操作估计模型为：
其中，Tu×1表示所述异常操作估计模型的异常概率向量，X’’u×v表示所述低维矩阵，u×v为所述低维矩阵的矩阵维度，表示共u行v列，βv×1表示所述多维调节向量，σ2表示所述误差方差，Iu×1为所述误差方差的矩阵转化向量，eu×1为所述异常操作估计模型的偏置向量，softmax为概率评估函数。
8.一种大数据的线上用户异常操作实时监控预警装置，其特征在于，所述装置包括：
线上平台启动模块，用于接收用户操作监控指令，根据所述用户操作监控指令启动用户所在的线上平台；
用户行为收集模块，用于从所述线上平台获取用户行为，其中用户行为包括商品的被拍下行为、被退款行为、被赔付行为、被评价行为及被投诉行为；
行为矩阵构建模块，用于根据所述用户行为构建行为矩阵，其中行为矩阵如下所示：
其中，X为所述行为矩阵，a1表示第一个用户的行为向量，am表示第m个用户的行为向量，xmn表示第m个用户第n种行为数据，t1,t2,...,tm表示第一个用户、第二个用户、...、第m个用户的行为调节值；
投影矩阵计算模块，用于根据预先设定的投影公式，计算所述行为矩阵的投影矩阵，所述投影公式如下所示：
其中，X’为所述投影矩阵，a1’表示第一个用户的投影向量，am’表示第m个用户的投影向量，xmn’表示第m个用户第n种行为数据的投影数据，s表示所述投影矩阵的列维度；f’(xij;dij)表示求xij的极限值操作；xij’表示第i个用户第j种行为数据的投影数据，xij表示第i个用户第j种行为数据的行为数据，f(xij)表示第i个用户第j种行为数据在映射函数的计算下所得到映射值，α为预构建的偏置值，dij表示与第i个用户第j种行为数据对应的关联值，t1’,t2’,...,tm’表示第一个用户、第二个用户、...、第m个用户的行为投影值；
操作异常判断模块，用于构建所述投影矩阵的异常操作估计模型，其中所述异常操作估计模型包括误差方差及多维调节向量，求解所述异常操作估计模型的异常操作概率，得到用户异常操作监测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的大数据的线上用户异常操作实时监控预警方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的大数据的线上用户异常操作实时监控预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210895885.0A CN114996113B (zh) | 2022-07-28 | 2022-07-28 | 大数据的线上用户异常操作实时监控预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210895885.0A CN114996113B (zh) | 2022-07-28 | 2022-07-28 | 大数据的线上用户异常操作实时监控预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114996113A true CN114996113A (zh) | 2022-09-02 |
| CN114996113B CN114996113B (zh) | 2022-10-25 |
Family
ID=83022790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210895885.0A Active CN114996113B (zh) | 2022-07-28 | 2022-07-28 | 大数据的线上用户异常操作实时监控预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114996113B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174070A1 (en) * | 2016-12-16 | 2018-06-21 | Adobe Systems Incorporated | Personalizing User Experiences With Electronic Content Based on User Representations Learned from Application Usage Data |
| CN108573339A (zh) * | 2018-03-22 | 2018-09-25 | 昆明理工大学 | 一种多指标投影决策法的消费者网购风险评估方法 |
| US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
| CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
| CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
| CN112862298A (zh) * | 2020-07-09 | 2021-05-28 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
| CN113971119A (zh) * | 2021-10-21 | 2022-01-25 | 云纷(上海)信息科技有限公司 | 基于无监督模型的用户行为异常分析评估方法及系统 |
| CN114022176A (zh) * | 2021-09-26 | 2022-02-08 | 上海电信工程有限公司 | 一种电商平台上的商品销量预测的方法及电子设备 |
| CN114548241A (zh) * | 2022-01-29 | 2022-05-27 | 北京三快在线科技有限公司 | 被盗账户检测方法、装置、电子设备 |
-
2022
- 2022-07-28 CN CN202210895885.0A patent/CN114996113B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174070A1 (en) * | 2016-12-16 | 2018-06-21 | Adobe Systems Incorporated | Personalizing User Experiences With Electronic Content Based on User Representations Learned from Application Usage Data |
| CN108573339A (zh) * | 2018-03-22 | 2018-09-25 | 昆明理工大学 | 一种多指标投影决策法的消费者网购风险评估方法 |
| US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
| CN112862298A (zh) * | 2020-07-09 | 2021-05-28 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
| CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
| CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
| CN114022176A (zh) * | 2021-09-26 | 2022-02-08 | 上海电信工程有限公司 | 一种电商平台上的商品销量预测的方法及电子设备 |
| CN113971119A (zh) * | 2021-10-21 | 2022-01-25 | 云纷(上海)信息科技有限公司 | 基于无监督模型的用户行为异常分析评估方法及系统 |
| CN114548241A (zh) * | 2022-01-29 | 2022-05-27 | 北京三快在线科技有限公司 | 被盗账户检测方法、装置、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| YIXUE ZHU ET AL.: "Influencing factors of e-commerce enterprise development based on mobile computing big data analysis", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 * |
| 阴梓然: "网络入侵检测及网络交易异常检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114996113B (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
| CN115423535B (zh) | 基于市场先验大数据的产品采购方法、装置、设备及介质 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
| CN114202367A (zh) | 基于用户画像的权益分配方法、装置、设备及介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN111401691A (zh) | 业务进度监控方法、装置及计算机可读存储介质 | |
| CN114926305A (zh) | 电力物资管控方法、装置、计算机设备、存储介质 | |
| CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN117557199B (zh) | 一种基于数学模型的智慧仓储方法、系统及存储介质 | |
| CN115048174A (zh) | 基于用户的个性化菜单生成方法、装置、设备及存储介质 | |
| CN109697203B (zh) | 指标异动分析方法及设备、计算机存储介质、计算机设备 | |
| CN114996113B (zh) | 大数据的线上用户异常操作实时监控预警方法及装置 | |
| CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
| CN111815238A (zh) | 一种物流利润监管方法、装置及系统 | |
| CN116012086A (zh) | 商品价格的评估方法、装置、电子设备及存储介质 | |
| CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
| CN111652281B (zh) | 信息数据的分类方法、装置及可读存储介质 | |
| CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
| CN114387085A (zh) | 流水数据处理方法、装置、计算机设备和存储介质 | |
| CN109255698B (zh) | 基于大数据的还款额的分配方法及终端设备 | |
| CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
| CN115578068B (zh) | 一种办公空间的数字化管理方法及装置 | |
| CN116596678A (zh) | 时间序列数据预警方法、装置、设备及存储介质 | |
| CN117520077A (zh) | 一种金融设备Auto老化应用方法、系统、设备及介质 |
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 |