CN115375211A - 异常用户识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请提供一种异常用户识别方法、装置、计算机设备和存储介质，方法包括：获取待识别账户的风险共性特征；归一化处理风险共性特征，得到风险共性特征的风险特征值；根据风险特征值，获取风险共性特征的权重系数；分析权重系数和风险特征值，得到待识别账户的风险分值；根据风险分值，对待识别账户进行识别，确定异常用户。本方法提出了对多个维度风险共性特征进行整合分析的识别机制，相较于传统单一特征的识别方式而言，降低了分析局限性与单一性，提高了异常用户的识别准确率。

Description

异常用户识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及物流技术领域，具体涉及一种异常用户识别方法、装置、计算机设备和存储介质。

背景技术

随着物流技术的快速发展，不少物流企业的业务类型有了符合当前社会需求的明显改进，如为企业或需求量大的客户推出了以月结账号进行发件的业务形式。客户通过与物流企业签署月结协议，即可在后续寄件时直接挂靠月结账号，如此不仅可缩减繁琐的结算流程，提高业务效率，还能一定程度的节省物流成本。因此，也滋生了一些从中牟利的异常用户，通过开通一个月结账号来供多个不同的客户发件，严重影响物流企业的正常运营。

然而，针对这类型日益猖獗的线上欺诈案，现有的黄牛识别方法多集中在医疗领域，且其识别对象主要是排队取号的黄牛票贩，其方法本质是通过挂号信息进行异常风险识别，但在物流领域尚未有相关研究。

因此，现有的黄牛识别方法存在因不适用于物流场景，而导致物流领域内异常用户识别准确率不高的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种异常用户识别方法、装置、计算机设备和存储介质，用以提高异常用户的识别准确率。

第一方面，本申请提供一种异常用户识别方法，包括：

获取待识别账户的风险共性特征；

归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值；

根据所述风险特征值，获取所述风险共性特征的权重系数；

分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值；

根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

在本申请一些实施例中，所述获取待识别账户的风险共性特征的步骤，包括：获取第一物流信息；获取待识别账户在预设时段内的第二物流信息，所述第二物流信息包括寄件信息、回款信息、收件经纬度信息、运单红冲信息以及用户身份信息中的至少一个；分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征。

在本申请一些实施例中，所述分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征的步骤，包括：分析所述寄件信息和所述回款信息，得到寄件产品类型和发件折扣数值，作为所述待识别账户的风险共性特征；和/或，分析所述寄件信息，得到寄件人标识、寄件地址信息和托寄物类别，作为所述待识别账户的风险共性特征；和/或，分析所述回款信息和所述运单红冲信息，得到红冲金额数、红冲票数、违规金额票数和回款逾期信息，作为所述待识别账户的风险共性特征；和/或，分析所述收件经纬度信息和所述寄件信息，得到跨区揽收件量、转移账号数据和转移电话数据，作为所述待识别账户的风险共性特征；和/或，分析所述用户身份信息、所述回款信息和所述第一物流信息，得到对象关联信息，作为所述待识别账户的风险共性特征。

在本申请一些实施例中，所述待识别账户为至少两个待识别账户，所述归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值的步骤，包括：对所述至少两个待识别账户的风险共性特征进行分类，得到特征集合；基于各所述特征集合，获取特征最大值和特征最小值；根据所述特征最大值和所述特征最小值，归一化处理对应的风险共性特征，得到各所述风险共性特征的风险特征值。

在本申请一些实施例中，所述根据所述风险特征值，获取所述风险共性特征的权重系数的步骤，包括：根据所述风险特征值，构造风险特征向量；基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵，其中，所述主成分向量是正交化分析所述风险共性特征后确定的；对所述主成分得分系数矩阵进行转置处理后，获取转置后的主成分得分系数矩阵与方差贡献率向量的积值，得到方差贡献占比向量，其中，所述方差贡献率向量是根据所述主成分向量确定的；对所述方差贡献占比向量进行标准化处理，得到权重系数向量；对所述权重系数向量进行转置处理，得到所述权重系数。

在本申请一些实施例中，所述基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵的步骤，包括：获取所述主成分向量与所述风险特征向量的商值，得到主成分矩阵；获取所述主成分向量对应的特征根向量；获取所述主成分矩阵与所述特征根向量的商值，得到所述主成分得分系数矩阵。

在本申请一些实施例中，所述分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值的步骤，包括：根据所述风险特征值，构造风险特征向量；获取所述风险特征向量与所述权重系数的积值，得到所述待识别账户的风险分值。

第二方面，本申请提供一种异常用户识别装置，包括：

特征获取模块，用于获取待识别账户的风险共性特征；

特征处理模块，用于归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值；

权重获取模块，用于根据所述风险特征值，获取所述风险共性特征的权重系数；

风险分析模块，用于分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值；

用户识别模块，用于根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

第三方面，本申请还提供一种计算机设备，包括：

一个或多个处理器；

存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的异常用户识别方法。

第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的异常用户识别方法中的步骤。

第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。

上述异常用户识别方法、装置、计算机设备和存储介质，服务器通过获取并归一化处理待识别账户的风险共性特征，即可得到风险共性特征的风险特征值，再根据风险特征值获取风险共性特征的权重系数，以便分析权重系数和风险特征值，得到最终识别异常用户所需的风险分值。本申请提出的方法，提出了对多个维度风险共性特征进行整合分析的识别机制，相较于传统单一特征的识别方式而言，降低了分析局限性与单一性，提高了异常用户的识别准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例中异常用户识别方法的场景示意图；

图2是本申请实施例中异常用户识别方法的流程示意图；

图3是本申请实施例中异常用户识别方法的具体流程示意图；

图4是本申请实施例中异常用户识别装置的结构示意图；

图5是本申请实施例中计算机设备的结构示意图。

具体实施方式

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。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

本申请实施例提供一种异常用户识别方法、装置、计算机设备和存储介质，以下分别进行详细说明。

参阅图1，图1为本申请提供的异常用户识别方法的场景示意图，该异常用户识别方法可应用于异常用户识别系统中。其中，异常用户识别系统包括通过网络建立有通信连接的终端100和服务器200。终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，本申请提及的网络包含但不限于是：广域网、城域网或局域网。

需要说明的是，虽然本申请实施例提出该异常用户识别方法可应用于包括终端100和服务器200的异常用户识别系统中，但是不排除该异常用户识别方法可直接应用于终端或服务器中的情况。也即是说，实际本申请实施例提出的异常用户识别方法，不仅可应用于独立存在的终端100中，或应用于独立存在的服务器200中，还可应用于终端100和服务器200的异常用户识别系统中，具体本申请实施例不做限定。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的是，该异常用户识别系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，该异常用户识别系统还可以包括存储器，用于存储数据，如存储第一物流信息、第二物流信息等，该第一物流信息可以是指物流企业内部员工或其他员工的个人或工作信息，该第二物流信息可以是物流平台的各种数据，如各物流网点的物流运输信息，具体的，如寄件信息、快件信息，配送车辆信息和物流网点信息等。

需要说明的是，图1所示的异常用户识别系统的场景示意图仅仅是一个示例，本发明实施例描述的异常用户识别系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着异常用户识别系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

参阅图2，本申请实施例提供了一种异常用户识别方法，主要以该方法应用于上图1中的服务器200来举例说明，该方法包括步骤S201至S205，具体如下：

S201，获取待识别账户的风险共性特征。

其中，待识别账户可以是指与物流企业建立有业务关系，且业务类型相比一般类型较为特殊的个人或组织，例如，具有物流需求的月结客户A、月结客户B等。当然，除了月结性质之外，还可以是季结、年结等，也就是按月、季度、年为单位进行业务结算，而非实时结算服务费用。

其中，风险共性特征可以是为了分析待识别账户是否具有异常的“黄牛”特质，而挖掘的特征，包括但不限于待识别账户的寄件产品类型、发件折扣数值、寄件人标识、寄件地址信息、托寄物类别、红冲金额数、红冲票数、违规金额票数、回款逾期信息、跨区揽收件量、转移账号数据、转移电话数据、对象关联信息中的一个或多个。这其中列举的特征含义可参考下文详细说明。

其中，本申请实施例涉及的异常用户，其异常行为包括但不限于：(1)同一账号却出现多个寄件人的情况；(2)同一账号出现较多跨区揽收的情况；(2)同一账号的红冲问题超出合理范围；(4)寄件人联系方式(如寄件地址、寄件人手机号、寄件人座机号、寄件地址邮编号等)出现使用账号转移的情况；(5)寄件人与企业内部员工关联的情况。但是，上述异常行为及其他未被列举的异常行为，并非是确定异常用户的唯一标准，还需进一步分析识别。因此，本申请实施例提出了一种异常用户识别方法，可结合上述异常行为准确挖掘分析出常规用户中的异常用户，具体将在下文详细说明。

具体地，服务器200分析待识别账户是否为异常用户(也可称为“黄牛用户”)之前，首先需确定哪些是待识别账户，然后再挖掘获取对应待识别账户的风险共性特征，且该风险共性特征的挖掘来源主要是待识别账户的第二物流信息。因此，服务器200可接收终端100指令确定待识别账户，或基于本地存储的账户列表以预设数量筛选确定待识别账户，如顺序筛选或参照特殊参数筛选。在确定了待识别账户之后，服务器200可进一步获取待识别账户的第二物流信息，该第二物流信息包括但不限于寄件信息、回款信息、收件经纬度信息、运单红冲信息、用户身份信息中的一个或多个。该第二物流信息可以是通过以下几种方式之一获取：

(1)从终端100或其他设备处获取第二物流信息，即每个待识别账户与物流企业之间的各项业务交易，将在终端100处编辑提交，终端100上传业务交易数据的同时，也会记录该待识别账户的第二物流信息；

(2)从其他服务器同步获取得到，即物流企业的多个服务器和/或终端可作为区块链节点构成区块链系统，例如公有链系统或私有链系统，虽然这两种区块链系统基本属性不同(公有链存储信息不可篡改、私有链存储信息可篡改)，但相同的是存储在任意一个节点服务器处的第二物流信息，均可被系统内其他节点服务器请求获取；

(3)从上级服务器请求得到，或是从下级服务器轮询得到，即物流企业的多个服务器存在上下级关系，上级服务器更新数据之后下级服务器可实时请求获取，下级服务器更新数据之后上级服务器可定时轮询获取。

可以理解的是，上述公有链系统、私有链系统、请求获取方式或轮询获取方式的选取可依据实际应用需求确定，本申请实施例不做具体限定。本实施例中涉及的风险共性特征获取步骤将在下文详细说明。

在一个实施例中，本步骤包括：获取第一物流信息；获取待识别账户在预设时段内的第二物流信息，所述第二物流信息包括寄件信息、回款信息、收件经纬度信息、运单红冲信息以及用户身份信息中的至少一个；分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征。

其中，第一物流信息可以是指物流企业内部员工或相关员工(如外包员工)的工作信息和/或个人信息，例如，电话号码信息、邮箱地址信息、工号信息、姓名等。

其中，寄件信息可以是包含寄件人姓名、寄件人地址、寄件人电话等数据的信息，同时也是通过授权或许可等合法方式获取到的信息；回款信息可以是包含回款人姓名、回款数额、回款日期等数据的信息；收件经纬度信息可以是指收件时终端100记录的经纬度地理位置信息；运单红冲信息可以是包含物流运单红冲金额、红冲票数等数据的信息；用户身份信息可以是包含待识别账户电话号码、邮箱号码、身份证号码等数据的信息，同时也是通过授权或许可等合法方式获取到的信息。

具体地，服务器200获取待识别账户的风险共性特征之前，需获取挖掘风险共性特征的信息依据，即需获取第一物流信息和/或第二物流信息，若风险共性特征不涉及内外勾结关联信息，则无需获取第一物流信息，仅需获取第二物流信息；若风险共性特征涉及内外勾结方面，则需获取第一物流信息和第二物流信息。其中，第二物流信息的获取方式在上一个实施例中已详细说明，而对于第一物流信息的获取方式，本实施例可表明其是预先存储在本地后直接读取的，也可以是从其他服务器获取到的。服务器200获取到第一物流信息和第二物流信息之后，即可单一分析第二物流信息来挖掘风险共性特征，或综合分析第二物流信息和第一物流信息来挖掘风险共性特征。本实施例涉及的风险共性特征挖掘步骤将在下文详细说明。

在一个实施例中，所述分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征的步骤，包括：分析所述寄件信息和所述回款信息，得到寄件产品类型和发件折扣数值，作为所述待识别账户的风险共性特征；和/或，分析所述寄件信息，得到寄件人标识、寄件地址信息和托寄物类别，作为所述待识别账户的风险共性特征；和/或，分析所述回款信息和所述运单红冲信息，得到红冲金额数、红冲票数、违规金额票数和回款逾期信息，作为所述待识别账户的风险共性特征；和/或，分析所述收件经纬度信息和所述寄件信息，得到跨区揽收件量、转移账号数据和转移电话数据，作为所述待识别账户的风险共性特征；和/或，分析所述用户身份信息、所述回款信息和所述第一物流信息，得到对象关联信息，作为所述待识别账户的风险共性特征。

其中，寄件产品类型可以是指物流业务产品类型，例如，标快、特快等类型的物流时效产品；发件折扣数值可以是指发件运费的折扣，例如，6折(0.6)、8折(0.8)等。

其中，寄件人标识可以是指寄件人的姓名标识、寄件人的身份证标识、寄件人的手机号标识等；寄件地址信息可以是指寄件人的地址信息；托寄物类别可以是指托寄物种类，例如，水果、电子产品、衣服等。

其中，红冲可以是一种运单修改方式，可以通过红冲修改运单金额、运单付款方式、产品类型、重量等，所有运单修改信息都会形成一条红冲记录。红冲金额数可以是指需要红冲的金额；红冲票数可以是指需要红冲的发票数量；违规金额票数可以是指物流方面偷重漏重的金额及发票数量；回款逾期信息可以是指回款超期的金额及天数。

其中，订单收件时快递员操作的收件巴枪有收件的经纬度地址，而每个快递员都有组织归属的分点部，对应的分点部有负责的业务区域，如果收件的地址超出了分点部负责的业务区域范围，则判定跨区揽收，每个账号出现了多少这种跨区揽收的运单，则运单总计即为跨区揽收件量。

其中，转移账号数据可以通过寄件手机号进行判断，比如上个月A手机号一直在B账号上进行发件，本月B账号A手机号的寄件量大幅下降，但是C账号A手机号的寄件量比上月上涨较多，则认为B账号换账号马甲转移到了C账号，则将B账号记为转移账号数据；转移电话数据可以是指转移账号的寄件人电话。

其中，对象关联信息可以是指与物流企业内部员工关联的账户账号，主要通过账号注册的个人信息，比如电话、邮箱等与内部员工的电话、邮箱等信息进行匹配，回款信息也类似，通过回款人的电话等信息与员工相应信息匹配。以0标识或1标识来标记对应的待识别账户是否是内部员工关联账号。

具体地，服务器200获取到第一物流信息和第二物流信息之后，若是单一分析第二物流信息来挖掘风险共性特征，则可分析获取寄件信息、回款信息、收件经纬度信息、运单红冲信息、用户身份信息中的一个或多个信息，以此挖掘出寄件产品类型和发件折扣数值，或者挖掘出寄件人标识、寄件地址信息和托寄物类别，或者挖掘出红冲金额数、红冲票数、违规金额票数和回款逾期信息，或者挖掘出跨区揽收件量、转移账号数据和转移电话数据，作为对应的待识别账户的风险共性特征，以下将分别说明各类风险共性特征的挖掘方式：

其一，为了提高异常用户的识别准确率，必需改善各类可用特征的全面性，因而本申请实施例在结合实际应用场景进行分析后，提出：由于低价是黄牛最显著的特征，若将发货账号使用的发件产品是否为特惠产品(寄件产品类型，如“标快、特快”这类时效产品，具体可用标识“0/1”表示)，以及发件折扣(具体的发件折扣数值，如“0.6”)作为识别异常客户的风险共性特征，将有效改善可用特征的全面性，进而提高异常用户的识别准确率。因此，本实施例提出可分析寄件信息和回款信息，获取第一类的风险共性特征。

其二，为了提高异常用户的识别准确率，必需改善各类可用特征的全面性，因而本申请实施例在结合实际应用场景进行分析后，提出：由于异常客户获利点在于集合不同客户发件需求在同一个账户上发件，正常月结客户寄件公司、寄件地址以及托寄物是比较固定的，而异常客户则有多寄件人、多寄件地址、多托寄物等发件特征，因此，若通过构造各月结客户寄件人(寄件人标识，如寄件人的姓名、身份证号、或手机号等)、寄件地址(寄件地址信息，如包含省市区的地址)、托寄物分类(托寄物类别，如“食品或电子产品”等类别)作为识别黄牛的风险共性特征，将有效改善可用特征的全面性，进而提高异常用户的识别准确率。因此，本实施例提出可分析寄件信息，获取第二类的风险共性特征。

其三，为了提高异常用户的识别准确率，必需改善各类可用特征的全面性，因而本申请实施例在结合实际应用场景进行分析后，提出：由于异常客户一般对物流企业收件等各项流程颇为了解，会利用各种可能的手段牟利，包括一些红冲(是否需要“红冲”可用“0/1”标识表示)、偷重漏重(偷重漏重等违规行为标识可用“0/1”表示，重量数值可直接用数字表示)、逾期回款(偷重漏重等违规行为标识可用“0/1”表示)等类似违规操作。因此，若分析构造红冲金额、红冲票数、偷重漏重金额及票数、回款逾期金额及天数等，作为识别黄牛的风险共性特征，将有效改善可用特征的全面性，进而提高异常用户的识别准确率。因此，本实施例提出可分析回款信息和运单红冲信息，获取第三类的风险共性特征。

其四，为了提高异常用户的识别准确率，必需改善各类可用特征的全面性，因而本申请实施例在结合实际应用场景进行分析后，提出：由于黄牛发件体量大且价格极低，长期保持一种经营模式易被发掘，因此，其经常利用地区间信息不对称，多地流窜发货或通过换马甲的方式躲避稽核，若根据这一特征判断月结账号是否出现跨区揽收等现象，并将跨区揽收件量作为风险共性特征之一，将有效改善可用特征的全面性，进而提高异常用户的识别准确率，因此，本实施例提出可分析收件经纬度信息和寄件信息，获取第四类的风险共性特征。

其五，如上述同理，可根据不同账号间寄件人信息等关联判断是否为账号换马甲转移现象，并将转移至此账号发件的账号以及寄件人电话作为识别黄牛的风险共性特征，即可将有效改善可用特征的全面性，进而提高异常用户的识别准确率，因此，本实施例提出可分析用户身份信息、回款信息和第一物流信息，获取第五类的风险共性特征。其中，判断是否为账号换马甲转移现象，以此获取跨区揽收件量，可通过上文所述的寄件手机号进行判断，在此不再赘述。

更具体地，若是综合分析第二物流信息和第一物流信息来挖掘风险共性特征，则可分析获取对象关联信息，作为对应的待识别账户的风险共性特征。

其中，综合分析第二物流信息和第一物流信息，主要考虑到：由于有利可图，黄牛还涉及内外勾结的情况，因此可挖掘该待识别账号是否与内部员工相关联，并以判断是否为内部员工关联账号，作为识别黄牛的风险共性特征。

S202，归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值。

其中，归一化的目的是使得预处理的数据被限定在一定的范围内(比如[0,1]或者[-1,1])，从而消除奇异样本数据导致的不良影响。

具体地，服务器200获取到待识别账户在各个维度的风险共性特征之后，下一步需要综合分析这些特征，以此识别出待识别账户中的异常用户。然而，由于黄牛管控依赖地区人工核实，因此反馈效率较慢且不一定完全准确，且历史反馈正样本量较月结客户差别量级较大。因此，无法通过预先定义标签的方式生成训练样本，故而本申请提出一种基于主成分分析方法，定义特征权重的无监督学习方式，由此后续处理流程即为归一化处理风险共性特征，以获取风险共性特征的风险特征值。

在一个实施例中，待识别账户为至少两个待识别账户，本步骤包括：对所述至少两个待识别账户的风险共性特征进行分类，得到特征集合；基于各所述特征集合，获取特征最大值和特征最小值；根据所述特征最大值和所述特征最小值，归一化处理对应的风险共性特征，得到各所述风险共性特征的风险特征值。

具体地，本实施例所述的归一化步骤涉及极小化极大算法(Min-Max算法)，是一种找出失败的最大可能性中的最小值的算法。服务器200将利用Min-Max算法对待识别账户的各个风险共性特征进行归一化处理，但由于归一化处理是在集合中分析解决问题，因此在针对各个风险共性特征进行归一化处理之前，首先需将多个待识别账户的风险共性特征进行分类，得到一个或多个特征集合，例如，多个待识别账户的发件折扣数值组成一个特征集合、多个待识别账户的寄件产品类型组成一个特征集合。

进一步地，服务器200获取到特征集合之后，可针对各个类型一致的特征集合，确定原始特征、集合最大值和集合最小值，其中的原始数据即为当前正分析的待识别账户的风险共性特征，而集合最大值也称特征最大值，是指当前所分析特征集合中的最大值，集合最小值也称特征最小值，是指当前所分析特征集合中的最小值。服务器200分析确定了特征最大值和特征最小值之后，即可按照如下公式计算，获取各风险共性特征的风险特征值S：

风险特征值S＝(原始特征-特征最小值)/(特征最大值-特征最小值)

例如，以“发件折扣数值”这个风险共性特征为例，每个账户都可以计算得到一个折扣数值，如现有10个账户账号，对应的折扣数值分别是a1、a2...a10。其中，a5的数值是最大的，a1的数值是最小的。以a3为例，计算(a3-a1)/(a5-a1)将得到一个a3这个风险共性特征的风险特征值，同样的，对a4来说，计算(a4-a1)/(a5-a1)将得到一个a4这个风险共性特征的风险特征值。由此，这些风险特征值都在0-1之间，即实现了对各个风险共性特征的归一化处理。

S203，根据所述风险特征值，获取所述风险共性特征的权重系数。

其中，权重系数可以是指各个风险共性特征对异常用户识别结果造成影响的比例。但需说明的是，本申请提及的权重系数，对应到多于一个的风险共性特征时，实际是一个权重系数向量，该权重系数向量中包含有各个风险共性特征对应的权重系数，例如，系数0.1、系数1等。

具体地，服务器200获取到各个风险共性特征的风险特征值之后，可定义合适的主成分个数，利用一定数量的主成分来分析风险特征值，进一步获取风险共性特征的权重系数，以便获取待识别账户的风险分值。

在一个实施例中，本步骤包括：根据所述风险特征值，构造风险特征向量；基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵，其中，所述主成分向量是正交化分析所述风险共性特征后确定的；对所述主成分得分系数矩阵进行转置处理后，获取转置后的主成分得分系数矩阵与方差贡献率向量的积值，得到方差贡献占比向量，其中，所述方差贡献率向量是根据所述主成分向量确定的；对所述方差贡献占比向量进行标准化处理，得到权重系数向量；对所述权重系数向量进行转置处理，得到所述权重系数。

其中，主成分向量可以是正交化(将属于相同本征值的没有相互正交的波函数重新线性组合为新的相互正交的波函数的过程)分析风险共性特征后确定的，即获取各个风险共性特征的正交化向量，以此确定主成分的数量，进而基于一定数量的主成分构造主成分向量。本实施例提出，当待识别账户的风险共性特征包含上述实施例涉及的所有特征信息时，主成分的数量可以取“5”，以此解释90％以上的特征信息，得到主成分向量X＝(X1,X2,X3,X4,X5)。

其中，方差贡献率向量可以是根据主成分向量确定的，方差贡献率通常按百分比格式表示，例如，20％、30％等，方差贡献率向量V＝(v1,v2,v3,v4,v5)。

具体地，服务器200获取到各个风险共性特征的风险特征值之后，可集合待识别账户的所有风险特征值，构造包含m个风险特征值的风险特征向量S＝(S1,S2,S3...Sm)，进而结合主成分向量X＝(X1,X2,X3,X4,X5)，获取主成分得分系数矩阵K，再将矩阵K进行转置，得到transpose(K)，以便计算其与方差贡献率向量V的积值，如计算W＝V*transpose(K)，得到方差贡献占比向量W。然后，对方差贡献占比向量W进行标准化处理，如计算W1＝W/sum(W)，即可得到权重系数向量W1。最终，对权重系数向量W1进行转置，得到transpose(W1)作为权重系数。其中，“sum(W)”表示方差贡献占比向量W的各个元素相加后的和值。权重系数向量W1是个1*m维的向量，则权重系数transpose(W1)是m*1维的向量。本实施例中涉及的主成分得分系数矩阵获取步骤将在下文详细说明。

在一个实施例中，所述基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵的步骤，包括：获取所述主成分向量与所述风险特征向量的商值，得到主成分矩阵；获取所述主成分向量对应的特征根向量；获取所述主成分矩阵与所述特征根向量的商值，得到所述主成分得分系数矩阵。

具体地，服务器200可基于如下公式的逻辑，计算主成分向量X与风险特征向量S的商值，即可得到主成分矩阵P，如S×P＝X。在得到主成分矩阵P之后，可进一步获取特征根向量Q，即根据主成分向量X＝(X1,X2,X3,X4,X5)，获取主成分的协方差矩阵C，如下：

其中，令C＝0，可求得主成分的特征根向量Q＝(q1,q2,q3,q4,q5)，在获取到特征根向量Q中各个元素q的平方根之后，计算主成分矩阵P与特征根向量Q的商值，即可得到主成分得分系数矩阵K。

例如，将m*5的主成分矩阵P的每列元素除以相应q的平方根，即矩阵P中第一列的m个元素p，对应除以q1的平方根；矩阵P中第二列的m个元素p，对应除以q2的平方根，以此类推，即可得到m*5的主成分得分系数矩阵K。

S204，分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值。

具体地，服务器200获取到待识别账户其各个风险共性特征的风险特征值，以及各个风险共性特征的权重系数之后，即可结合同一风险共性特征的权重系数和风险特征值，计算该风险共性特征的风险分值，进而综合所有风险共性特征的风险分值计算分值总和，即可得到待识别账户的风险分值。

在一个实施例中，本步骤包括：根据所述风险特征值，构造风险特征向量；获取所述风险特征向量与所述权重系数的积值，得到所述待识别账户的风险分值。

具体地，本申请实施例涉及的风险特征值，是单一对应于某个风险共性特征的值，但为了提高异常用户的识别准确率，待识别账户的风险共性特征不应该只设有一个，因此需获取待识别账户的多个风险特征值，以此构造1*m的风险特征向量S＝(S1,S2,S3,...,Sm)，进而计算风险特征向量(1*m)与权重系数(m*1)的积值，即可得到待识别账户的风险分值，该分值是待识别账户所有风险共性特征的总和分值。

S205，根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

具体地，服务器200分析获取到各个待识别账户的风险分值之后，可依据风险分值进行排序，例如基于风险分值的数值大小进行顺序排列或降序排列，再基于分值越高客户风险越大的实际情况，选取其中数值较大的账户，如选取分值TOP1或分值TOP2等一定数量的账户作为异常用户，以便后续针对异常用户采取相应措施，完善业务流程。

其中，异常用户通常是指以黑市价格倒卖证券、外汇、车票、船票、影剧票的人，而在本申请实施例中具体是指倒卖账户至多人使用以谋取利益的人，也可称为黄牛用户。

上述实施例所述的异常用户识别方法，服务器通过获取并归一化处理待识别账户的风险共性特征，即可得到风险共性特征的风险特征值，再根据风险特征值获取风险共性特征的权重系数，以便分析权重系数和风险特征值，得到最终识别异常用户所需的风险分值。本申请提出的方法，提出了对多个维度风险共性特征进行整合分析的识别机制，相较于传统单一特征的识别方式而言，降低了分析局限性与单一性，提高了异常用户的识别准确率。

为了更好实施本申请实施例中的异常用户识别方法，在如图3所示的异常用户识别方法基础之上，本申请实施例中还提供了一种异常用户识别装置，如图4所示，该异常用户识别装置400包括：

特征获取模块410，用于获取待识别账户的风险共性特征；

特征处理模块420，用于归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值；

权重获取模块430，用于根据所述风险特征值，获取所述风险共性特征的权重系数；

风险分析模块440，用于分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值；

用户识别模块450，用于根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

在本申请一些实施例中，特征获取模块410还用于获取第一物流信息；获取待识别账户在预设时段内的第二物流信息，所述第二物流信息包括寄件信息、回款信息、收件经纬度信息、运单红冲信息以及用户身份信息中的至少一个；分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征。

在本申请一些实施例中，特征获取模块410还用于分析所述寄件信息和所述回款信息，得到寄件产品类型和发件折扣数值，作为所述待识别账户的风险共性特征；和/或，分析所述寄件信息，得到寄件人标识、寄件地址信息和托寄物类别，作为所述待识别账户的风险共性特征；和/或，分析所述回款信息和所述运单红冲信息，得到红冲金额数、红冲票数、违规金额票数和回款逾期信息，作为所述待识别账户的风险共性特征；和/或，分析所述收件经纬度信息和所述寄件信息，得到跨区揽收件量、转移账号数据和转移电话数据，作为所述待识别账户的风险共性特征；和/或，分析所述用户身份信息、所述回款信息和所述第一物流信息，得到对象关联信息，作为所述待识别账户的风险共性特征。

在本申请一些实施例中，所述待识别账户为至少两个待识别账户，特征处理模块420还用于对所述至少两个待识别账户的风险共性特征进行分类，得到特征集合；基于各所述特征集合，获取特征最大值和特征最小值；根据所述特征最大值和所述特征最小值，归一化处理对应的风险共性特征，得到各所述风险共性特征的风险特征值。

在本申请一些实施例中，权重获取模块430还用于根据所述风险特征值，构造风险特征向量；基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵，其中，所述主成分向量是正交化分析所述风险共性特征后确定的；对所述主成分得分系数矩阵进行转置处理后，获取转置后的主成分得分系数矩阵与方差贡献率向量的积值，得到方差贡献占比向量，其中，所述方差贡献率向量是根据所述主成分向量确定的；对所述方差贡献占比向量进行标准化处理，得到权重系数向量；对所述权重系数向量进行转置处理，得到所述权重系数。

在本申请一些实施例中，权重获取模块430还用于获取所述主成分向量与所述风险特征向量的商值，得到主成分矩阵；获取所述主成分向量对应的特征根向量；获取所述主成分矩阵与所述特征根向量的商值，得到所述主成分得分系数矩阵。

在本申请一些实施例中，风险分析模块440还用于根据所述风险特征值，构造风险特征向量；获取所述风险特征向量与所述权重系数的积值，得到所述待识别账户的风险分值。

上述实施例中，服务器通过获取并归一化处理待识别账户的风险共性特征，即可得到风险共性特征的风险特征值，再根据风险特征值获取风险共性特征的权重系数，以便分析权重系数和风险特征值，得到最终识别异常用户所需的风险分值。上述装置提出了对多个维度风险共性特征进行整合分析的识别机制，相较于传统单一特征的识别方式而言，降低了分析局限性与单一性，提高了异常用户的识别准确率。

关于异常用户识别装置的具体限定可以参见上文中对于异常用户识别方法的限定，在此不再赘述。上述异常用户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本申请一些实施例中，异常用户识别装置400可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该异常用户识别装置400的各个程序模块，比如，图4所示的特征获取模块410、特征处理模块420、权重获取模块430、风险分析模块440以及用户识别模块450。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的异常用户识别方法中的步骤。

例如，图5所示的计算机设备可以通过如图4所示的异常用户识别装置400中的特征获取模块410执行步骤S201。计算机设备可通过特征处理模块420执行步骤S202。计算机设备可通过权重获取模块430执行步骤S203。计算机设备可通过风险分析模块440执行步骤S204。计算机设备可通过用户识别模块450执行步骤S205。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种异常用户识别方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本申请一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述异常用户识别方法的步骤。此处异常用户识别方法的步骤可以是上述各个实施例的异常用户识别方法中的步骤。

在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述异常用户识别方法的步骤。此处异常用户识别方法的步骤可以是上述各个实施例的异常用户识别方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上对本申请实施例所提供的一种异常用户识别方法、装置、计算机设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种异常用户识别方法，其特征在于，包括：

获取待识别账户的风险共性特征；

归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值；

根据所述风险特征值，获取所述风险共性特征的权重系数；

分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值；

根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

2.如权利要求1所述的方法，其特征在于，所述获取待识别账户的风险共性特征的步骤，包括：

获取第一物流信息；

获取待识别账户在预设时段内的第二物流信息，所述第二物流信息包括寄件信息、回款信息、收件经纬度信息、运单红冲信息以及用户身份信息中的至少一个；

分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征。

3.如权利要求2所述的方法，其特征在于，所述分析所述第二物流信息和/或所述第一物流信息，得到所述待识别账户的风险共性特征的步骤，包括：

分析所述寄件信息和所述回款信息，得到寄件产品类型和发件折扣数值，作为所述待识别账户的风险共性特征；和/或，

分析所述寄件信息，得到寄件人标识、寄件地址信息和托寄物类别，作为所述待识别账户的风险共性特征；和/或，

分析所述回款信息和所述运单红冲信息，得到红冲金额数、红冲票数、违规金额票数和回款逾期信息，作为所述待识别账户的风险共性特征；和/或，

分析所述收件经纬度信息和所述寄件信息，得到跨区揽收件量、转移账号数据和转移电话数据，作为所述待识别账户的风险共性特征；和/或，

分析所述用户身份信息、所述回款信息和所述第一物流信息，得到对象关联信息，作为所述待识别账户的风险共性特征。

4.如权利要求1所述的方法，其特征在于，所述待识别账户为至少两个待识别账户，所述归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值的步骤，包括：

对所述至少两个待识别账户的风险共性特征进行分类，得到特征集合；

基于各所述特征集合，获取特征最大值和特征最小值；

根据所述特征最大值和所述特征最小值，归一化处理对应的风险共性特征，得到各所述风险共性特征的风险特征值。

5.如权利要求1所述的方法，其特征在于，所述根据所述风险特征值，获取所述风险共性特征的权重系数的步骤，包括：

根据所述风险特征值，构造风险特征向量；

基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵，其中，所述主成分向量是正交化分析所述风险共性特征后确定的；

对所述主成分得分系数矩阵进行转置处理后，获取转置后的主成分得分系数矩阵与方差贡献率向量的积值，得到方差贡献占比向量，其中，所述方差贡献率向量是根据所述主成分向量确定的；

对所述方差贡献占比向量进行标准化处理，得到权重系数向量；

对所述权重系数向量进行转置处理，得到所述权重系数。

6.如权利要求5所述的方法，其特征在于，所述基于所述风险特征向量和主成分向量，获取主成分得分系数矩阵的步骤，包括：

获取所述主成分向量与所述风险特征向量的商值，得到主成分矩阵；

获取所述主成分向量对应的特征根向量；

获取所述主成分矩阵与所述特征根向量的商值，得到所述主成分得分系数矩阵。

7.如权利要求1所述的方法，其特征在于，所述分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值的步骤，包括：

根据所述风险特征值，构造风险特征向量；

获取所述风险特征向量与所述权重系数的积值，得到所述待识别账户的风险分值。

8.一种异常用户识别装置，其特征在于，包括：

特征获取模块，用于获取待识别账户的风险共性特征；

特征处理模块，用于归一化处理所述风险共性特征，得到所述风险共性特征的风险特征值；

权重获取模块，用于根据所述风险特征值，获取所述风险共性特征的权重系数；

风险分析模块，用于分析所述权重系数和所述风险特征值，得到所述待识别账户的风险分值；

用户识别模块，用于根据所述风险分值，对所述待识别账户进行识别，确定异常用户。

9.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的异常用户识别方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的异常用户识别方法中的步骤。

Images