CN115187387A - 一种风险商家的识别方法及设备 - Google Patents
一种风险商家的识别方法及设备 Download PDFInfo
- Publication number
- CN115187387A CN115187387A CN202210875867.6A CN202210875867A CN115187387A CN 115187387 A CN115187387 A CN 115187387A CN 202210875867 A CN202210875867 A CN 202210875867A CN 115187387 A CN115187387 A CN 115187387A
- Authority
- CN
- China
- Prior art keywords
- merchant
- risk
- preset
- identified
- merchants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种风险商家的识别方法及设备。基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立第一关系图;获取第一关系图中存在连接关系的参考待识别商家的商业数据;基于商业数据,确定出参考待识别商家对应的风险指标,以根据风险指标确定出参考待识别商家对应的风险值;将参考待识别商家的商业数据,与多个预置种子商家分别对应的商业数据输入预置分类器,以确定参考待识别商家与多个预置种子商家之间的商业数据相似度;基于风险值与商业数据相似度对第一关系图进行二次标注,以识别出风险商家;获取访问风险商家的用户信息,并将风险商家的信息发送至访问风险商家的用户,以对用户进行预警提醒。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风险商家的识别方法及设备。
背景技术
随着电商技术的发展,越来越来的交易通过互联网进行。然而,一些风险商家为了达到获取较多利益的目的,会对销售商品进行虚假宣传与售卖,例如,对进销商品进行虚假上报,以达到偷税、漏税或骗税的目的,或者销项商品的类型和进项商品的类型不相似,又如,出售商品的品质与对该商品的描述严重不符。
此类风险商家对客户造成了经济损失。因此,现有技术中,为了检查出这类风险商家,往往通过人工方式将不同商家的进项商品和销项商品进行比较,并根据比较结果判断商家是否为风险商家,由于该种方式需要人工的参与,以致对风险商家识别的效率低。
发明内容
本申请实施例提供了一种风险商家的识别方法及设备,用于解决如下技术问题:人工对风险商家进行识别的方式效率较低。
本申请实施例采用下述技术方案:
本申请实施例提供一种风险商家的识别方法。包括,基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图;其中,预置种子商家分别对应有不同的风险等级;获取与第一关系图中存在连接关系的参考待识别商家的商业数据;其中,商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项;基于商业数据,确定出参考待识别商家对应的风险指标,以根据风险指标与预置风险指标计算模型,确定出参考待识别商家对应的风险值;将参考待识别商家的商业数据,与多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定参考待识别商家与多个预置种子商家之间的商业数据相似度;基于风险值与商业数据相似度对第一关系图进行二次标注,以识别出风险商家;获取访问风险商家的用户信息,并将风险商家的信息发送至访问风险商家的用户,以对用户进行预警提醒。
本申请实施例通过构建第一关系图,能够基于待识别商家的商品信息,对待识别商家进行第一次筛选。其次,本申请实施例根据获取到的待识别商家的商业数据,确定出待识别商家的风险指标,以根据风险指标与预置风险指标计算模型确定出待识别商家的风险值,以及根据该商业数据确定出待识别商家与预置种子商家之间的商业数据相似度,从而根据风险值与相似度两个方面对该第一关系图进行筛选,以得到风险商家。该方法无需人为对其进行对比,从而降低人工成本,同时也提高了风险商家识别的效率,降低了失误率。
在本申请的一种实现方式中,基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图,具体包括:将待识别商家与多个预置种子商家确定为彼此相互独立的节点;获取待识别商家的商品信息;其中,商品信息至少包括订单退款信息与商品评价信息中的一项;对订单退款信息进行关键词检索,若检索的到的关键词,与预置种子商家对应的参考关键词之间的相似值大于第一相似度阈值,则在待识别商家对应的节点,与预置种子商家对应的节点之间构建第一连线;其中,参考关键词与产品质量相关;和/或对商品评价信息进行关键词检索,若检索到的关键词与预置种子商家对应的参考关键词之间的相似值大于第二相似度阈值,则在待识别商家对应的节点,与预置种子商家对应的节点之间构建第二连线;基于第一连线与第二连线,得到第一关系图。
在本申请的一种实现方式中,基于第一连线与第二连线,得到第一关系图,具体包括:基于第一连线对应的待识别商家的关键词,确定出关键词对应的退款订单数量与退款订单总数量之间的第一比值;以及基于第二连线对应的待识别商家的关键词,确定出关键词对应的评论信息数量与评论信息总数量之间的第二比值;在第一比值小于第一比值阈值,和/或第二比值小于第二比值阈值的情况下,将待识别商家与预置种子商家之间的连线删除;基于删除后的第一连线与删除后的第二连线,得到第一关系图。
在本申请的一种实现方式中,根据风险指标与预置风险指标计算模型,确定出参考待识别商家对应的风险值之前,方法还包括:基于预置风险指标分类表对多个预置样本商家的商业数据进行分类,以得到多个预置样本商家分别对应的风险指标矩阵;其中,风险指标矩阵中各元素与多个预置样本商家分别对应的商业数据相关;对各风险指标矩阵分别进行标准化处理,并确定出标准化处理后各风险指标矩阵中不同元素分别对应的最大值与最小值;基于最大值建立第一指标集,以及基于最小值建立第二指标集;确定出风险指标矩阵中各元素与第一指标集之间的第一差值;以及确定出风险指标矩阵中各元素与第二指标集之间的第二差值;基于第一差值与第二差值,确定出各风险指标矩阵对应的不同指标的参考权重值;对各风险指标矩阵中相同风险指标分别对应的参考权重值进行均值计算,以得到不同风险指标分别对应的第一权重值;基于预置指标影响程度模板,以及预置样本商家分别对应的产品特性,确定出不同的样本商家分别对应的风险指标影响程度值;其中,预置指标影响程度模板中包括出售不同产品的多种商家,以及多种商家分别对应的风险指标影响程度值;基于第一权重值与风险指标影响程度值,构建预置风险指标计算模型。
在本申请的一种实现方式中,基于第一差值与第二差值,确定出各风险指标矩阵对应的不同指标的参考权重值,具体包括:将第一差值与第二差值进行求和计算,得到相加值;确定出第二差值与相加值之间的比值;基于预设函数
得到不同指标的参考权重值;其中,Wi为参考权重值;Di为第二差值与相加值之间的比值;i为当前风险指标的编号;n为风险指标的总数量;p为预置最小参考权重值。
在本申请的一种实现方式中,基于商业数据,确定出参考待识别商家对应的风险指标,具体包括:将该商业数据分割为多个词语,并将多个词语中的停用词进行过滤,得到商业数据对应的商业特征关键词;获取商业特征关键词在商业数据中出现的总次数,以及商业特征关键词在当前数据类别中出现的参考次数;基于参考次数与总次数,确定出关键词对应的出现频率,并基于出现频率,确定出商业特征关键词对应的第一权重;获取商业数据对应的所有文档的数量,以及获取包含有商业特征关键词的文档的数量,基于所有文档的数量与包含有商业特征关键词的文档的数量,确定出商业特征关键词对应的逆文档频率,并基于逆文档频率确定出商业特征关键词对应的第二权重;基于商业特征关键词对应的第一权重与第二权重值,确定出参考待识别商家对应的风险指标。
在本申请的一种实现方式中,基于商业特征关键词对应的第一权重与第二权重值,确定出参考待识别商家对应的风险指标,具体包括:基于商业特征关键词对应的第一权重的大小,对多个商业特征关键词进行排序;从大到小提取预设数量的第一参考商业特征关键词;以及基于商业特征关键词对应的第二权重的大小,对多个商业特征关键词进行排序;从大到小提取预设数量的第二参考商业特征关键词;将提取出的第一参考商业特征关键词与第二参考商业特征关键词,分别与预置风险指标模板进行比对,以确定出提取出的参考商业特征关键词分别对应的风险指标;其中,预置风险指标模板中包括有多个风险指标,以及多个风险指标分别对应的一个或多个商业特征关键词。
在本申请的一种实现方式中,将参考待识别商家的商业数据,与多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定参考待识别商家与多个预置种子商家之间的商业数据相似度,具体包括:通过预置KNN分类器,将商业数据划分为多个第一集合;以及,通过预置KNN分类器,将多个预置种子商家对应的商业数据分别划分为多个第二集合;对相同类别的第一集合中的商业数据与第二集合中的商业数据进行欧氏距离计算,以得到第一集合中的商业数据与第二集合中的商业数据之间的参考相似度;确定参考待识别商家对应的多个第一集合;确定出多个第一集合分别对应的参考相似度;将多个第一集合分别对应的参考相似度进行均值计算,以得到参考待识别商家与多个预置种子商家之间的商业数据相似度。
在本申请的一种实现方式中,基于风险值与商业数据相似度对第一关系图进行二次标注,以筛选出风险商家,具体包括:将风险值与预置风险值阈值进行比对,并确定出大于预置风险值阈值的风险值所对应的参考待识别商家,在第一关系图中对参考待识别商家进行二次标注;以及将商业数据相似度与预置相似度阈值进行比对,并确定出大于预置相似度阈值的风险值所对应的参考待识别商家,在第一关系图中对参考待识别商家进行二次标注;在第一关系图中确定出带有二次标注的参考待识别商家,并将带有二次标注的参考待识别商家确定出风险商家。
本申请实施例提供一种风险商家的识别设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图;其中,预置种子商家分别对应有不同的风险等级;获取与第一关系图中存在连接关系的参考待识别商家的商业数据;其中,商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项;基于商业数据,确定出参考待识别商家对应的风险指标,以根据风险指标与预置风险指标计算模型,确定出参考待识别商家对应的风险值;将参考待识别商家的商业数据,与多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定参考待识别商家与多个预置种子商家之间的商业数据相似度;基于风险值与商业数据相似度对第一关系图进行二次标注,以识别出风险商家;获取访问风险商家的用户信息,并将风险商家的信息发送至访问风险商家的用户,以对用户进行预警提醒。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过构建第一关系图,能够基于待识别商家的商品信息,对待识别商家进行第一次筛选。其次,本申请实施例根据获取到的待识别商家的商业数据,确定出待识别商家的风险指标,以根据风险指标与预置风险指标计算模型确定出待识别商家的风险值,以及根据该商业数据确定出待识别商家与预置种子商家之间的商业数据相似度,从而根据风险值与相似度两个方面对该第一关系图进行筛选,以得到风险商家。该方法无需人为对其进行对比,从而降低人工成本,同时也提高了风险商家识别的效率,降低了失误率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种风险商家的识别方法流程图;
图2为本申请实施例提供的一种风险商家的识别设备的结构示意图。
具体实施方式
本申请实施例提供一种风险商家的识别方法及设备。
为了使本技术领域的人员更好地理解本申请中的技术方案,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实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作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。
随着电商技术的发展,越来越来的交易通过互联网进行。然而,一些风险商家为了达到获取较多利益的目的,会对销售商品进行虚假宣传与售卖,例如,对进销商品进行虚假上报,以达到偷税、漏税或骗税的目的,或者销项商品的类型和进项商品的类型不相似,又如,出售商品的品质与对该商品的描述严重不符。
此类风险商家对较多的客户造成了经济损失。因此,现有技术中,为了检查出这类风险商家,往往需要通过人工方式将不同商家的进项商品和销项商品进行比较,并根据比较结果判断商家是否为风险商家,由于该种方式需要人工的参与,以致对风险商家识别的效率低。
为了解决上述问题,本申请实施例提供一种风险商家的识别方法及设备。通过构建第一关系图,能够基于待识别商家的商品信息,对待识别商家进行第一次筛选。其次,本申请实施例根据获取到的待识别商家的商业数据,确定出待识别商家的风险指标,以根据风险指标与预置风险指标计算模型确定出待识别商家的风险值,以及根据该商业数据确定出待识别商家与预置种子商家之间的商业数据相似度,从而根据风险值与相似度两个方面对该第一关系图进行筛选,以得到风险商家。该方法无需人为对其进行对比,从而降低人工成本,同时也提高了风险商家识别的效率,降低了失误率。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种风险商家的识别方法流程图。如图1所示,风险商家的识别方法包括如下步骤:
S101、基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图。其中,预置种子商家分别对应有不同的风险等级。
在本申请的一个实施例中,将待识别商家与多个预置种子商家确定为彼此相互独立的节点。获取待识别商家的商品信息,其中,商品信息至少包括订单退款信息与商品评价信息中的一项。对订单退款信息进行关键词检索,若检索的到的关键词,与预置种子商家对应的参考关键词之间的相似值大于第一相似度阈值,则在待识别商家对应的节点,与预置种子商家对应的节点之间构建第一连线,其中,参考关键词与产品质量相关。和/或对商品评价信息进行关键词检索,若检索到的关键词与预置种子商家对应的参考关键词之间的相似值大于第二相似度阈值,则在待识别商家对应的节点,与预置种子商家对应的节点之间构建第二连线。基于第一连线与第二连线,得到第一关系图。
具体地,基于待识别商家与多个预置种子商家,确定出多个独立的节点。预置种子商家为具有风险的多个模板商家。用于与待识别商家进行比对。首先,基于当前销售平台,获取待识别商家对应的商品信息,例如,该待识别商家对应的订单退款信息与商品评价信息。其次,先对订单退款信息进行检索,获取到的订单退款信息可能数据量较大,一项一项人为去检索其工总量较大,因此本申请实施例通过关键词对订单退款信息进行检索。
具体地,获取到该订单退款信息中的关键词,同时,对预置种子商家进行关键词检索,得到预置种子商家对应的多个关键词。将待识别商家对应的关键词与预置种子商家对应的关键词进行比对,以确定出二者之间的相似度。若该相似度大于第一相似度阈值,则确定该待识别商家订单退款信息存在风险。此时,确定出相似度大于第一相似度阈值的关键词所对应的预置种子商家,将该待识别商家与该对应的预置种子商家之间构建第一连线。
进一步地,对待识别商家对应的商品评价信息进行关键词检索。获取到该商品评价信息中的关键词,同时,对预置种子商家的商品评价信息进行关键词检索,得到预置种子商家对应的多个关键词。将待识别商家对应的关键词与预置种子商家对应的关键词进行比对,以确定出二者之间的相似度。若该相似度大于第二相似度阈值,则确定该待识别商家商品评价信息存在风险。此时,确定出相似度大于第二相似度阈值的关键词所对应的预置种子商家,将该待识别商家与该对应的预置种子商家之间构建第二连线。
需要说明的是,本申请实施例中的关键词与产品质量相关。例如,关键词可以为质量差、质量不好等对产品做出的具有负面评价的词语。
在本申请的一个实施例中,基于第一连线对应的待识别商家的关键词,确定出关键词对应的退款订单数量与退款订单总数量之间的第一比值。以及基于第二连线对应的待识别商家的关键词,确定出关键词对应的评论信息数量与评论信息总数量之间的第二比值。在第一比值小于第一比值阈值,和/或第二比值小于第二比值阈值的情况下,将待识别商家与预置种子商家之间的连线删除。基于删除后的第一连线与删除后的第二连线,得到第一关系图。
具体地,通过构建的第一关系图,可以得到具有负面评价的商家。其次,需要对得到的具有负面评价的商家进行筛选。
进一步地,根据第一连线,确定出第一连线的待识别商家对应的所有的退款订单总数量,以及,确定出该待识别商家对应的带有关键词的退款订单的数量。将该带有关键词的退款订单的数量与该退款订单总数量进行比值计算,得到第一比值,以得到由于商品质量问题导致的退款订单的所占比例。
需要说明的是,在商家总销量较大的情况下,其退款订单也会较多,但退款订单并不是全部由于质量问题引起的。例如,还会由于较高的价格、物流时间较长等原因,会造成退款。因此,通过计算由于质量问题导致的退款订单的所占比例,可以确定出该商家的产品质量是否真正存在风险。
进一步地,根据第二连线,确定出第二连线的待识别商家对应的所有的评论信息总数量,以及,确定出该待识别商家对应的带有关键词的评论信息的数量。将该带有关键词的评论信息的数量与该评论信息总数量进行比值计算,得到第二比值,以得到与商品质量问题相关的评论信息所占比例。
进一步地,将得到的第一比值与第二比值分别与比值阈值进行比对,在第一比值小于第一比值阈值的情况下,将该待识别商家对应的第一连线进行删除。以及在第二比值小于第二比值阈值的情况下,在关系图中将该待识别商家对应的第二连线进行删除,从而对关系图进行删选,以得到第一关系图。
S102、获取与第一关系图中存在连接关系的参考待识别商家的商业数据。其中,商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项。
在本申请的一个实施例中,基于第一关系图,确定出图中第一连线对应的参考待识别商家,以及确定出第二连线对应的参考待识别商家。需要说明是,同一个待识别商家可能同时对应有第一连线与第二连线,此时,只需将其划分为第一连线对应的参考待识别商家即可。
确定出多个参考待识别商家后,获取该多个待识别商家分别对应的商业数据。例如,可以获取该多个待识别商家分别对应的商品供应数据、商品需求数据、商品物流数据以及资金流数据。以基于获取到的商业数据对该多个参考待识别商家进行风险值分析。
S103、基于商业数据,确定出参考待识别商家对应的风险指标,以根据风险指标与预置风险指标计算模型,确定出参考待识别商家对应的风险值。
在本申请的一个实施例中,将该商业数据分割为多个词语,并将多个词语中的停用词进行过滤,得到商业数据对应的商业特征关键词。根据商业特征关键词在商业数据中的的位置先后顺序,将商业特征关键词进行编号。获取商业特征关键词在商业数据中出现的总次数,以及商业特征关键词在当前数据类别中出现的参考次数。基于参考次数与总次数,确定出关键词对应的出现频率,并基于出现频率,确定出商业特征关键词对应的第一权重。获取商业数据对应的所有文档的数量,以及获取包含有商业特征关键词的文档的数量,基于所有文档的数量与包含有商业特征关键词的文档的数量,确定出商业特征关键词对应的逆文档频率,并基于逆文档频率确定出商业特征关键词对应的第二权重。基于商业特征关键词对应的第一权重与第二权重值,确定出参考待识别商家对应的风险指标。
具体地,通过jieba分词,对商业数据进行分词处理,得到多个词语。确定出每个词语的词性,并将多个词语中的停用词进行过滤处理,以得到商业数据对应的多个商业特征关键词。其次,对当前参考待识别商家对应的商业数据中的商业特征关键词进行统计。包括,对当前商业特征关键词在该参考待识别商家对应的所有商业数据中出现的总次数,以及,假设该商业特征关键词出现于商业数据对应的商品物流数据类别中,还需要确定出该商业特征关键词在该商品物流数据类别中出现的次数,将在物流数据类别中出现的次数与总次数进行比值计算,即可得到该商业特征关键词对应的出现频率。基于预置频率模板,确定出该出现频率对应的第一权重。其中,该预置频率模板中包括多个出现频率以及该多个出现频率分别对应的第一权重,其出现频率多高,所对应的第一权重值越高。
进一步地,还需要获取该商业数据对应的逆文档频率。具体地,确定出该当前参考待识别商家对应的所有商业数据文档总数量,以及确定出包含该商业特征关键词的文档的数量。将该包含该商业特征关键词的文档的数量与该总数量进行比值计算。将得到的比值与预置比值模板进行比对,以确定出该比值对应的第二权重。其中,该预置比值模板中包括有多个比值,以及不同比值分别对应的第二权重。
在本申请的一个实施例中,基于商业特征关键词对应的第一权重的大小,对多个商业特征关键词进行排序。从大到小提取预设数量的第一参考商业特征关键词,以及基于商业特征关键词对应的第二权重的大小,对多个商业特征关键词进行排序。从大到小提取预设数量的第二参考商业特征关键词。将提取出的第一参考商业特征关键词与第二参考商业特征关键词,分别与预置风险指标模板进行比对,以确定出提取出的参考商业特征关键词分别对应的风险指标,其中,预置风险指标模板中包括有多个风险指标,以及多个风险指标分别对应的一个或多个商业特征关键词。
具体地,在获取到第一权重与第二权重之后,根据获取到的权重对获取到的多个商业特征关键词进行筛选。具体地,根据第一权重的大小,对多个商业特征关键词进行排序,将其按照权重从大到小的顺序进行排序。然后从大到小的顺序依次选取预设数量的第一参考商业特征关键词。例如,可以选取10个第一参考商业特征关键词。
进一步地,根据第二权重的大小,对多个商业特征关键词进行排序,将其按照权重从大到小的顺序进行排序。然后从大到小的顺序依次选取预设数量的第二参考商业特征关键词。例如,可以选取10个第二参考商业特征关键词。
将获取到的第一参考商业特征关键词,与获取到的第二参考商业特征关键词进行比对,将二者重复出现的参考特征关键词进行删除处理,以得到最终的参考商业特征关键词。将获取到的最终的参考商业特征关键词与预置风险指标模板进行比对。以确定出每个参考商业特征关键词分别对应的风险指标。其中,预置风险指标模板中包括有多个风险指标,以及多个风险指标分别对应的一个或多个商业特征关键词。
在本申请的一个实施例中,基于预置风险指标分类表对多个预置样本商家的商业数据进行分类,以得到多个预置样本商家分别对应的风险指标矩阵,其中,风险指标矩阵中各元素与多个预置样本商家分别对应的商业数据相关。对各风险指标矩阵分别进行标准化处理,并确定出标准化处理后各风险指标矩阵中不同元素分别对应的最大值与最小值。基于最大值建立第一指标集,以及基于最小值建立第二指标集。根据风险指标矩阵中各元素与第一指标集之间的差值,确定出第一差值,以及根据风险指标矩阵中各元素与第二指标集之间的差值,确定出第二差值。基于第一差值与第二差值,确定出各风险指标矩阵对应的不同指标的参考权重值。对各风险指标矩阵中相同风险指标分别对应的参考权重值进行均值计算,以得到不同风险指标分别对应的第一权重值。基于预置指标影响程度模板,以及预置样本商家分别对应的产品特性,确定出不同的样本商家分别对应的风险指标影响程度值,其中,预置指标影响程度模板中包括出售不同产品的多种商家,以及多种商家分别对应的风险指标影响程度值。基于第一权重值与风险指标影响程度值,构建预置风险指标计算模型。
具体地,在进行风险值计算之前,需要先构建预置风险指标计算模型。具体地,对获取到的预置样本商家的商业数据进行分类处理,其中,可以根据预置风险指标分类表对其进行分类。例如,将获取到的预置样本商家的商业数据进行关键词提取,将提取出的关键词与预置风险指标分类表进行匹配,从而将预置样本商家的商业数据进行分类。例如,可以将其划分为商品供应数据、商品需求数据、商品物流数据以及资金流数据。
进一步地,基于每一个预置样本商家对应的不同类别的商业数据,建立每一个预置样本商家分别对应的风险指标矩阵。其中,风险指标矩阵中参数与该矩阵对应的预置样本商家的商业数据相关。例如,基于当前预置样本商家对应的商品物流数据,对该商品物流数据进行分析,确定出该商品物流数据对应的风险指标参考值。其分析过程可以为,获取物流的延时信息、损坏信息,将获取到的延时信息与损坏信息与参考物流风险指标表进行比对,从而确定出当前预置样本商家对应的商品物流数据的风险指标参考值。
进一步地,确定出每一个预置样本商家对应的风险指标矩阵后,对矩阵中的参数进行标准化处理。从而可以得到矩阵中每个元素对应的最大值与最小值。进而根据每一个预置样本商家对应的多个元素的最大值建立第一指标集,以及根据多个元素分别对应的最小值建立第二指标集。将风险指标矩阵中的数据与第一指标集中数据进行计算,得到二者之间的绝对值差值,即,第一差值。例如,将风险指标指标矩阵中第一个数据与第一指标集中的第一个数据进行差值计算,即可得到二者之间的绝对值差值。其次,将风险指标矩阵中的数据与第二指标集中的数据进行计算,得到二者之间的绝对值差值,即第二差值。
进一步地,将第一差值与第二差值进行求和计算,得到相加值。确定出第二差值与相加值之间的比值,基于预设函数
得到不同指标的参考权重值。其中,Wi为参考权重值;Di为第二差值与相加值之间的比值;i为当前风险指标的编号;n为风险指标的总数量;p为预置最小参考权重值。
基于不同的预置样本商家,可以得到不同指标分别对应的不同的参考权重值。将同一指标对应的多个参考权重值进行均值计算,即可得到该风险指标对应的第一权重值。
进一步地,由于不同的风险指标对于不同的商家的影响不同,因此,还需对不同的商家确定出不同的风险指标影响程度值。其中,基于预置指标影响程度模板,以及预置样本商家分别对应的产品特性,确定出不同的样本商家分别对应的风险指标影响程度值。其中,预置指标影响程度模板中包括出售不同产品的多种商家,以及多种商家分别对应的风险指标影响程度值。
基于该第一权重值与该风险指标影响程度值之间的乘积,即可构建该预置风险指标模型。
进一步地,确定出当前待识别商家的出售的商品特性,以及,确定出该当前待识别商家的商业数据,确定出相应的风险指标,从而将该风险指标与该商品特性输入该预置风险指标模型,即可确定出该当前待识别商家对应的第一权重与风险指标影响程度值,从而得到该待识别商家对应的风险值。
S104、将参考待识别商家的商业数据,与多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定参考待识别商家与多个预置种子商家之间的商业数据相似度。
在本申请的一个实施例中,通过预置KNN分类器,将商业数据划分为多个第一集合,以及,通过预置KNN分类器,将多个预置种子商家对应的商业数据分别划分为多个第二集合。对相同类别的第一集合中的商业数据与第二集合中的商业数据进行欧氏距离计算,以得到第一集合中的商业数据与第二集合中的商业数据之间的参考相似度。确定参考待识别商家对应的多个第一集合,确定出多个第一集合分别对应的参考相似度。将多个第一集合分别对应的参考相似度进行均值计算,以得到参考待识别商家与多个预置种子商家之间的商业数据相似度。
具体地,为了提高对风险商家判别的准确性,本申请实施例还根据待识别商家的商业数据,与预置种子商家对应的商业数据,对其进行相似度计算。
具体地,将待识别商家的商业数据输入预置KNN分类器,可以得到待识别商家对应的不同类别的商业数据集合。基于不同的商业数据集合确定出多个第一集合。以及将预置种子商家对应的商业数据属输入该KNN分类器,可以得到预置种子商家对应的不同类别的商业数据,以得到多个第二集合。
进一步地,确定出与多个第一集合的类别分别相对应的第二集合,将第一集合中的数据与相对应的第二集合中的数据进行欧式计算,得到两个集合之间的参考相似度。确定出每一个参考待识别商家分别对应的多个第一集合,以得到每一个第一集合分别对应的参考相似度。其中,每一个参考待识别商家对应有多个第一集合。
进一步地,将每一个参考待识别商家对应的多个第一集合的相似度进行均值计算,即可得到该参考待识别商家与该预置种子商家之间的商业数据相似度。
S105、基于风险值与商业数据相似度对第一关系图进行二次标注,以识别出风险商家。
在本申请的一个实施例中,将风险值与预置风险值阈值进行比对,并确定出大于预置风险值阈值的风险值所对应的参考待识别商家,在第一关系图中对参考待识别商家进行二次标注。以及将商业数据相似度与预置相似度阈值进行比对,并确定出大于预置相似度阈值的风险值所对应的参考待识别商家,在第一关系图中对参考待识别商家进行二次标注。在第一关系图中确定出带有二次标注的参考待识别商家,并将带有二次标注的参考待识别商家确定出风险商家。
具体地,获取到待识别商家对应的风险值与商业数据相似度之后,将该风险值与预置风险值阈值进行比对,以确定出大于该预置风险值阈值的风险值,并根据该风险值确定出相应的参考待识别商家,以在第一关系图中对该参考待识别商家进行二次标注。
进一步地,将该商业数据相似度与预置相似度阈值进行比对,以确定出大于该预置相似度阈值的商业数据相似度,并根据该商业数据相似度确定出相应的参考待识别商家,以在第一关系图中对该参考待识别商家进行二次标注。
在第一关系图中,确定出存在二次标注的参考待识别商家,并将带有该二次标注的待识别商家作为风险商家。
S106、获取访问风险商家的用户信息,并将风险商家的信息发送至访问风险商家的用户,以对用户进行预警提醒。
在本申请的一个实施例中,服务器会实时或定时对访问商家的用户信息进行获取,并标注出每一个用户分别访问过哪些商家。其次,在确定出当前用户访问过风险商家后,将该风险商家的信息推送给当前用户,其中,推送的信息中包括风险商家的名称,以及对该风险商家对应的风险标注。通过将该信息推送至访问用户,可以对用户进行预警提醒,以便于用户得知哪些是风险商家,以尽量避免与风险商家产生交易,提高交易的安全性。
图2为本申请实施例提供的一种风险商家的识别设备的结构示意图。如图2所示,风险商家的识别设备,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:
基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图;其中,所述预置种子商家分别对应有不同的风险等级;
获取所述第一关系图中存在连接关系的参考待识别商家的商业数据;其中,所述商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项;
基于所述商业数据,确定出所述参考待识别商家对应的风险指标,以根据所述风险指标与预置风险指标计算模型,确定出所述参考待识别商家对应的风险值;
将所述参考待识别商家的商业数据,与所述多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定所述参考待识别商家与所述多个预置种子商家之间的商业数据相似度;
基于所述风险值与所述商业数据相似度对所述第一关系图进行二次标注,以识别出风险商家;
获取访问所述风险商家的用户信息,并将所述风险商家的信息发送至访问所述风险商家的用户,以对所述用户进行预警提醒。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种风险商家的识别方法,其特征在于,所述方法包括:
基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图;其中,所述预置种子商家分别对应有不同的风险等级;
获取与所述第一关系图中存在连接关系的参考待识别商家的商业数据;其中,所述商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项;
基于所述商业数据,确定出所述参考待识别商家对应的风险指标,以根据所述风险指标与预置风险指标计算模型,确定出所述参考待识别商家对应的风险值;
将所述参考待识别商家的商业数据,与所述多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定所述参考待识别商家与所述多个预置种子商家之间的商业数据相似度;
基于所述风险值与所述商业数据相似度对所述第一关系图进行二次标注,以识别出风险商家;
获取访问所述风险商家的用户信息,并将所述风险商家的信息发送至访问所述风险商家的用户,以对所述用户进行预警提醒。
2.根据权利要求1所述的一种风险商家的识别方法,其特征在于,所述基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图,具体包括:
将所述待识别商家与所述多个预置种子商家确定为彼此相互独立的节点;
获取所述待识别商家的商品信息;其中,所述商品信息至少包括订单退款信息与商品评价信息中的一项;
对所述订单退款信息进行关键词检索,若检索的到的关键词,与所述预置种子商家对应的参考关键词之间的相似值大于第一相似度阈值,则在所述待识别商家对应的节点,与所述预置种子商家对应的节点之间构建第一连线;其中,所述参考关键词与产品质量相关;和/或
对所述商品评价信息进行关键词检索,若检索到的关键词与所述预置种子商家对应的参考关键词之间的相似值大于第二相似度阈值,则在所述待识别商家对应的节点,与所述预置种子商家对应的节点之间构建第二连线;
基于所述第一连线与所述第二连线,得到所述第一关系图。
3.根据权利要求2所述的一种风险商家的识别方法,其特征在于,所述基于所述第一连线与所述第二连线,得到所述第一关系图,具体包括:
基于所述第一连线对应的待识别商家的关键词,确定出所述关键词对应的退款订单数量与退款订单总数量之间的第一比值;以及
基于所述第二连线对应的待识别商家的关键词,确定出所述关键词对应的评论信息数量与评论信息总数量之间的第二比值;
在所述第一比值小于第一比值阈值,和/或所述第二比值小于第二比值阈值的情况下,将所述待识别商家与所述预置种子商家之间的连线删除;
基于删除后的第一连线与删除后的第二连线,得到所述第一关系图。
4.根据权利要求1所述的一种风险商家的识别方法,其特征在于,所述根据所述风险指标与预置风险指标计算模型,确定出所述参考待识别商家对应的风险值之前,所述方法还包括:
基于预置风险指标分类表对多个预置样本商家的商业数据进行分类,以得到所述多个预置样本商家分别对应的风险指标矩阵;其中,所述风险指标矩阵中各元素与所述多个预置样本商家分别对应的商业数据相关;
对各所述风险指标矩阵分别进行标准化处理,并确定出标准化处理后各所述风险指标矩阵中不同元素分别对应的最大值与最小值;
基于所述最大值建立第一指标集,以及基于所述最小值建立第二指标集;
确定出所述风险指标矩阵中各元素与所述第一指标集之间的第一差值;以及确定出所述风险指标矩阵中各元素与所述第二指标集之间的第二差值;
基于所述第一差值与所述第二差值,确定出各所述风险指标矩阵对应的不同指标的参考权重值;
对各所述风险指标矩阵中相同风险指标分别对应的参考权重值进行均值计算,以得到不同风险指标分别对应的第一权重值;
基于预置指标影响程度模板,以及预置样本商家分别对应的产品特性,确定出不同的样本商家分别对应的风险指标影响程度值;其中,所述预置指标影响程度模板中包括出售不同产品的多种商家,以及所述多种商家分别对应的风险指标影响程度值;
基于所述第一权重值与所述风险指标影响程度值,构建所述预置风险指标计算模型。
6.根据权利要求1所述的一种风险商家的识别方法,其特征在于,所述基于所述商业数据,确定出所述参考待识别商家对应的风险指标,具体包括:
将该商业数据分割为多个词语,并将所述多个词语中的停用词进行过滤,得到所述商业数据对应的商业特征关键词;
获取所述商业特征关键词在所述商业数据中出现的总次数,以及所述商业特征关键词在当前数据类别中出现的参考次数;
基于所述参考次数与所述总次数,确定出所述关键词对应的出现频率,并基于所述出现频率,确定出所述商业特征关键词对应的第一权重;
获取所述商业数据对应的所有文档的数量,以及获取包含有所述商业特征关键词的文档的数量,基于所述所有文档的数量与所述包含有所述商业特征关键词的文档的数量,确定出所述商业特征关键词对应的逆文档频率,并基于所述逆文档频率确定出所述商业特征关键词对应的第二权重;
基于所述商业特征关键词对应的第一权重与第二权重值,确定出所述参考待识别商家对应的风险指标。
7.根据权利要求6所述的一种风险商家的识别方法,其特征在于,基于所述商业特征关键词对应的第一权重与第二权重值,确定出所述参考待识别商家对应的风险指标,具体包括:
基于所述商业特征关键词对应的第一权重的大小,对所述多个商业特征关键词进行排序;
从大到小提取预设数量的第一参考商业特征关键词;
以及基于所述商业特征关键词对应的第二权重的大小,对所述多个商业特征关键词进行排序;
从大到小提取预设数量的第二参考商业特征关键词;
将提取出的第一参考商业特征关键词与第二参考商业特征关键词,分别与预置风险指标模板进行比对,以确定出提取出的参考商业特征关键词分别对应的风险指标;其中,所述预置风险指标模板中包括有多个风险指标,以及所述多个风险指标分别对应的一个或多个商业特征关键词。
8.根据权利要求1所述的一种风险商家的识别方法,其特征在于,所述将所述参考待识别商家的商业数据,与所述多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定所述参考待识别商家与所述多个预置种子商家之间的商业数据相似度,具体包括:
通过预置KNN分类器,将所述商业数据划分为多个第一集合;以及,通过所述预置KNN分类器,将所述多个预置种子商家对应的商业数据分别划分为多个第二集合;
对相同类别的第一集合中的商业数据与第二集合中的商业数据进行欧氏距离计算,以得到所述第一集合中的商业数据与所述第二集合中的商业数据之间的参考相似度;
确定所述参考待识别商家对应的多个第一集合;
确定出所述多个第一集合分别对应的参考相似度;
将所述多个第一集合分别对应的参考相似度进行均值计算,以得到所述参考待识别商家与所述多个预置种子商家之间的商业数据相似度。
9.根据权利要求1所述的一种风险商家的识别方法,其特征在于,所述基于所述风险值与所述商业数据相似度对所述第一关系图进行二次标注,以识别出风险商家,具体包括:
将所述风险值与预置风险值阈值进行比对,并确定出大于所述预置风险值阈值的风险值所对应的所述参考待识别商家,在所述第一关系图中对所述参考待识别商家进行二次标注;以及
将所述商业数据相似度与预置相似度阈值进行比对,并确定出大于所述预置相似度阈值的风险值所对应的所述参考待识别商家,在所述第一关系图中对所述参考待识别商家进行二次标注;
在所述第一关系图中确定出带有二次标注的所述参考待识别商家,并将所述带有二次标注的所述参考待识别商家确定出风险商家。
10.一种风险商家的识别设备,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:
基于商家商品信息与多个预置种子商家之间的商品信息相似度,建立待识别商家与多个预置种子商家之间的第一关系图;其中,所述预置种子商家分别对应有不同的风险等级;
获取与所述第一关系图中存在连接关系的参考待识别商家的商业数据;其中,所述商业数据至少包括商品供应数据、商品需求数据、商品物流数据以及资金流数据中的一项;
基于所述商业数据,确定出所述参考待识别商家对应的风险指标,以根据所述风险指标与预置风险指标计算模型,确定出所述参考待识别商家对应的风险值;
将所述参考待识别商家的商业数据,与所述多个预置种子商家分别对应的商业数据输入预置分类器,以根据分类结果确定所述参考待识别商家与所述多个预置种子商家之间的商业数据相似度;
基于所述风险值与所述商业数据相似度对所述第一关系图进行二次标注,以识别出风险商家;
获取访问所述风险商家的用户信息,并将所述风险商家的信息发送至访问所述风险商家的用户,以对所述用户进行预警提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875867.6A CN115187387B (zh) | 2022-07-25 | 2022-07-25 | 一种风险商家的识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875867.6A CN115187387B (zh) | 2022-07-25 | 2022-07-25 | 一种风险商家的识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187387A true CN115187387A (zh) | 2022-10-14 |
CN115187387B CN115187387B (zh) | 2024-02-09 |
Family
ID=83521209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875867.6A Active CN115187387B (zh) | 2022-07-25 | 2022-07-25 | 一种风险商家的识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187387B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120559A1 (en) * | 2001-02-26 | 2002-08-29 | O'mara Timothy L. | Tiered processing method and system for identifying and mitigating merchant risk |
CN109615153A (zh) * | 2017-09-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 商家风险评估方法、装置、设备及存储介质 |
CN110033170A (zh) * | 2019-03-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 识别风险商家的方法及装置 |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
CN112669053A (zh) * | 2020-12-03 | 2021-04-16 | 杭州未名信科科技有限公司 | 基于销售数据的欺诈群体识别方法、装置、设备及介质 |
CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连(杭州)信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
-
2022
- 2022-07-25 CN CN202210875867.6A patent/CN115187387B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120559A1 (en) * | 2001-02-26 | 2002-08-29 | O'mara Timothy L. | Tiered processing method and system for identifying and mitigating merchant risk |
CN109615153A (zh) * | 2017-09-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 商家风险评估方法、装置、设备及存储介质 |
CN110033170A (zh) * | 2019-03-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 识别风险商家的方法及装置 |
US20210312460A1 (en) * | 2019-03-14 | 2021-10-07 | Advanced New Technologies Co., Ltd. | Method and device for identifying a risk merchant |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
CN112669053A (zh) * | 2020-12-03 | 2021-04-16 | 杭州未名信科科技有限公司 | 基于销售数据的欺诈群体识别方法、装置、设备及介质 |
CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连(杭州)信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115187387B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN111445028A (zh) | Ai驱动的交易管理系统 | |
US9031967B2 (en) | Natural language processing system, method and computer program product useful for automotive data mapping | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
Wu et al. | User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
US11693836B2 (en) | System, method, and computer program product for monitoring and improving data quality | |
CN111507782A (zh) | 一种用户流失归因聚焦方法、装置、存储介质及电子设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114723492A (zh) | 一种企业画像的生成方法及设备 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
CN111695979A (zh) | 一种原材料与成品的关系分析方法、装置及设备 | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN115965468A (zh) | 基于交易数据的异常行为检测方法、装置、设备及介质 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
CN114266594A (zh) | 一种基于东南亚跨境电商平台的大数据分析方法 | |
CN115187387B (zh) | 一种风险商家的识别方法及设备 | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
CN113837843A (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN112560433A (zh) | 一种信息处理的方法及装置 | |
CN116308466B (zh) | 数据信息采集与智能分析方法、系统、设备和存储介质 | |
CN115953166B (zh) | 基于大数据智能匹配的客户信息管理方法及系统 | |
CN110738538A (zh) | 识别相似物品的方法和装置 |
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 |