WO2022017082A1 - 用于检测虚假交易订单的方法和装置 - Google Patents

用于检测虚假交易订单的方法和装置 Download PDF

Info

Publication number
WO2022017082A1
WO2022017082A1 PCT/CN2021/100299 CN2021100299W WO2022017082A1 WO 2022017082 A1 WO2022017082 A1 WO 2022017082A1 CN 2021100299 W CN2021100299 W CN 2021100299W WO 2022017082 A1 WO2022017082 A1 WO 2022017082A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
target node
node
sample
order
Prior art date
Application number
PCT/CN2021/100299
Other languages
English (en)
French (fr)
Inventor
王三鹏
Original Assignee
北京沃东天骏信息技术有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 北京沃东天骏信息技术有限公司 filed Critical 北京沃东天骏信息技术有限公司
Priority to EP21847414.6A priority Critical patent/EP4187472A4/en
Priority to US18/017,596 priority patent/US20230281696A1/en
Publication of WO2022017082A1 publication Critical patent/WO2022017082A1/zh

Links

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
    • G06Q30/06—Buying, selling or leasing transactions
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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

Definitions

  • the determining unit is further configured to: calculate the similarity between the target node and all neighbor nodes respectively; input the calculated similarity into the softmax activation layer, and determine the neighbor nodes whose probability value is greater than the first threshold. is the real neighbor node.
  • the method of this application is to build a Gate structure to determine whether the current node has valid edges with its neighbors. The neighbors are also sampled, and the neighbors extracted by the method of this application are more accurate. And the Gate has parameters that can be learned. By training the model, it will find a suitable threshold, so as to more accurately identify cheating and false trading behaviors.
  • FIG. 6 is a schematic structural diagram of a computer system suitable for implementing an electronic device of an embodiment of the present disclosure.
  • the target node may be any node in the graph structure.
  • this application extracts all the neighbor nodes of the current node, and then calculates the similarity between the characteristics of each neighbor node and the current node, and the neighbors whose similarity is higher than the predetermined threshold can be determined as real neighbor nodes.
  • the similarity can be imported into the activation layer as an input, so as to determine whether the current point and the neighbor point are similar enough (shown in Figure 3b is the Gate structure in Figure 3a), and then obtain whether the current point and the neighbor have correct side. It can be expressed by the following formula, where RealNeighbors(Ni) represents the real neighbor nodes of Ni. Neighbors(Ni) represents all the neighbor nodes of Ni. Gate(Nj,Ni) represents the process of judging whether there is a correct edge between two nodes.
  • the aggregated feature can be directly input into the logistic regression model to obtain the classification result, or the aggregated feature can be multiplied by the second weight parameter and added with the second deviation parameter to obtain the second weighted sum; And input the logistic regression model to get the classification result.
  • the logistic regression model can be a sigmoid function that classifies the probability that the result is a fake trade order. If the probability is greater than a predetermined threshold, the target node is considered to be a fake trade order. The target node can also be replaced, and steps 202-205 are performed again.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Discrete Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

本公开的实施例公开了用于检测虚假交易订单的方法和装置。该方法的一具体实施方式包括：获取待检测的订单集合，其中，订单集合中每个订单包括相同维度的特征；基于订单集合构建图结构，其中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。该实施方式实现了虚假交易订单检测的准确率。

Description

用于检测虚假交易订单的方法和装置
本专利申请要求于2020年07月24日提交的、申请号为202010720817.1、发明名称为“用于检测虚假交易订单的方法和装置”的中国专利申请的优先权，该申请的全文以引用的方式并入本申请中。
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于检测虚假交易订单的方法和装置。
背景技术
电商平台中存在一些虚假交易行为，商家通过雇佣虚假交易团伙，在电商平台上进行大量的虚假交易，从而提升自身店铺中商品的销量和评论数量，以获取更多的展示曝光机会以及诱导正常用户下单。但是虚假交易行为会扰乱电商平台秩序，并通过虚假的销量和评论误导消费者，并且对其它正常商家的曝光和下单机会造成负面影响。目前现有技术绝大部分都是以订单为单位，聚合和统计相关特征，通过人工标注或者模型生成的方式获取标签，订单之间孤立的排列，并没有利用订单之间的联系，建立模型来预测虚假交易行为。
因为少量零散虚假交易对商家造成的影响极其有限，所以商家往往会雇佣虚假交易团伙进行大规模虚假交易。很显然，如果能把虚假交易团伙的订单关联起来，并且把正常用户的订单关联起来，则模型的准确率会有很大提升。
发明内容
本公开的实施例提出了用于检测虚假交易订单的方法和装置。
第一方面，本公开的实施例提供了一种用于检测虚假交易订单的方法，包括：获取待检测的订单集合，其中，订单集合中每个订单包 括相同维度的特征；基于订单集合构建图结构，其中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
在一些实施例中，从目标节点的所有的邻居节点中确定出真实的邻居节点，包括：分别计算目标节点与所有的邻居节点的相似度；将计算出的相似度输入softmax激活层，将得到的概率值大于第一阈值的邻居节点确定为真实的邻居节点。
在一些实施例中，将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征，包括：将真实的邻居节点的特征进行平均，得到平均特征；将目标节点的特征与平均特征拼接，得到聚合特征。
在一些实施例中，将计算出的相似度输入softmax激活层，包括：将计算出的相似度乘以第一权重参数后与第一偏差参数相加，得到第一加权和；将第一加权和输入softmax激活层。
在一些实施例中，将聚合特征输入逻辑回归模型，包括：将聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；将第二加权和输入sigmoid函数，将得到的概率值大于第二阈值的目标节点确定为虚假交易订单。
在一些实施例中，第一权重参数和、第一偏差参数、第二权重参数和第二偏差参数通过如下步骤得到：获取样本集，其中，样本包括样本订单和用于指示样本订单是否是虚假交易的标注信息；从样本集中选取样本；基于选取的样本订单计算出相似度；将相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果；基于第一结果确定出选取的样本订单的真实邻居节点后计算出样本聚合特征；将样本聚合特征与初始的第二权重参数相乘再与初始的第二偏差参数相加后，输入sigmoid函数，得到第二结果；计算第二结果与该样本的标注信息的损失值；根据损失值进行反向传播学习，得到第一权重参数、第一偏差参数、第二权重参数 和第二偏差参数。
在一些实施例中，该方法还包括：将图结构中目标节点之外的节点设置为目标节点；从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
第二方面，本公开的实施例提供了一种用于检测虚假交易订单的装置，包括：获取单元，被配置成获取待检测的订单集合，其中，订单集合中每个订单包括相同维度的特征；构建单元，被配置成基于订单集合构建图结构，其中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；确定单元，被配置成对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点；聚合单元，被配置成将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；检测单元，被配置成将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
在一些实施例中，确定单元进一步被配置成：分别计算目标节点与所有的邻居节点的相似度；将计算出的相似度输入softmax激活层，将得到的概率值大于第一阈值的邻居节点确定为真实的邻居节点。
在一些实施例中，聚合单元进一步被配置成：将真实的邻居节点的特征进行平均，得到平均特征；将目标节点的特征与平均特征拼接，得到聚合特征。
在一些实施例中，确定单元进一步被配置成：将计算出的相似度乘以第一权重参数后与第一偏差参数相加，得到第一加权和；将第一加权和输入softmax激活层。
在一些实施例中，检测单元进一步被配置成：将聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；将第二加权和输入sigmoid函数，将得到的概率值大于第二阈值的目标节点确定为虚假交易订单。
在一些实施例中，该装置还包括训练单元，被配置成：获取样本集，其中，样本包括样本订单和用于指示样本订单是否是虚假交易的 标注信息；从样本集中选取样本；将选取的样本订单经第一方面的方法计算出相似度；将相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果；基于第一结果确定出选取的样本订单的真实邻居节点后经第一方面的方法计算出样本聚合特征；将样本聚合特征与初始的第二权重参数相乘再与初始的第二偏差参数相加后，输入sigmoid函数，得到第二结果；计算第二结果与该样本的标注信息的损失值；根据损失值进行反向传播学习，得到第一权重参数、第一偏差参数、第二权重参数和第二偏差参数。
在一些实施例中，该装置还包括循环单元，被配置成：将图结构中目标节点之外的节点设置为目标节点；从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
第三方面，本公开的实施例提供了一种用于检测虚假交易订单的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于检测虚假交易订单的方法和装置，对于反作弊、反虚假交易场景中常见的从海量边中找出有效边，相对于GraphSage(Graph Sample and aggregate，图采样聚合)、GAT(GRAPH ATTENTION NETWORKS，图注意力网络)随机抽样邻居，本申请的方法是构建一个Gate结构，从而判断当前节点是否和邻居存在有效的边。同样是抽样邻居，本申请的方法抽取的邻居更准确。并且该Gate有可以学习的参数，通过训练模型，会找到合适的阈值，从而更精确识别作弊虚假交易行为。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于检测虚假交易订单的方法的一个实施例的流程图；
图3a、3b是根据本公开的用于检测虚假交易订单的方法的一个应用场景的示意图；
图4是根据本公开的用于检测虚假交易订单的方法的又一个实施例的流程图；
图5是根据本公开的用于检测虚假交易订单的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于检测虚假交易订单的方法或用于检测虚假交易订单的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有 各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上进行的网络交易提供支持的后台交易服务器。后台交易服务器可以对接收到的订单等数据进行分析等处理，并检测出该交易是否是虚拟交易。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于检测虚假交易订单的方法一般由服务器105执行，相应地，用于检测虚假交易订单的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于检测虚假交易订单的方法的一个实施例的流程200。该用于检测虚假交易订单的方法，包括以下步骤：
步骤201，获取待检测的订单集合。
在本实施例中，用于检测虚假交易订单的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网络交易的终端接收订单集合。其中，订单集合中每个订单包括相同维度的特征。特征可包括IP地址、发货地址、收货地址、收件人、设备ID等信息。每个订单具有多个维度，可超过100个维度。
步骤202，基于订单集合构建图结构。
在本实施例中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征。抽取有效的边可以在构建图结构的过程中完成，也可以是构建图结构完成后给节点生成邻居节点的时候动态调整。但是构建图结构之前很难通过条件来过滤出有效的边，如果建立模型的话，问题一是标签难以确定，二是会多构建一个模型，导致资源和流程的浪费。如果在抽样的过程中使用参数动态生成有效边，则可以通过节点的标签来反向学习参数，并且和Graph Neural Network(图神经网络)构成一个模型，流程上也更简便。
图3a代表Gate邻居抽样过程中的流程。其中N1～Nk是图结构中的节点，具体代表每个订单，N2～Nk都是节点N1的邻居。每个订单上有较多的特征(维度>100)；E 1,2～E 1,k是点之间的边，边代表订单之间有关联(如相同的ip、设备、收货社区等)。原始的GraphSage、GAT抽样过程是给当前节点(图3a中N1)从所有的邻居节点(图3a中N2～Nk)抽样出固定数量的邻居节点。比如给所有的节点抽取邻居节点的时候抽取30个邻居节点，如果当前节点的邻居节点数量超过30，则随机抽取30个，如果当前节点的邻居节点数量不够30个则抽取全部邻居节点，并补充空值到30个邻居节点。
步骤203，对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点。
在本实施例中，目标节点可以是图结构中的任意节点。相比于GraphSag、GAT的随机抽样，本申请抽取的是当前节点的所有邻居节点，然后对每一个邻居节点和当前节点的特征做相似度计算，可将相似度高于预定阈值的邻居确定为真实的邻居节点。可选地，可把相似 度作为输入导入激活层，从而判断当前点和邻居点是不是足够相似(图3b中所示为图3a中的Gate结构)，进而得到当前点和该邻居是不是有正确的边。可用如下公式表示，其中，RealNeighbors(Ni)代表Ni的真实邻居节点。Neighbors(Ni)代表Ni的所有的邻居节点。Gate(Nj,Ni)代表判断两节点之间是否存在正确边的过程。
RealNeighbors(Ni)＝Neighbor(Ni)*Gate(Nj,Ni)
Figure PCTCN2021100299-appb-000001
N表示图结构的节点数量。
Figure PCTCN2021100299-appb-000002
如图3b所示，Cosine是余弦相似度，用来计算两个节点特征的相似度。也可采用其它方法计算相似度度，例如，欧氏距离、汉明距离等。
把相似度结果导入SoftMax构建的激活层中，输出是一个两维数组，第一维表示标签0(不存在有效边)的概率、第二维表示标签1(存在有效边)的概率。接下来引入ArgMax找出输出的类别结果，结果是0代表不存在有效边，结果为1代表存在有效边。
Gate(Nj,Ni)＝ArgMax(SoftMax(WGate*Cosine(Nj,Ni)+BGate))
其中，W Gate表示第一权重参数，B Gate表示第一偏差参数。第一权重参数和第一偏差参数可通过流程400反向学习得到。
步骤204，将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征。
在本实施例中，如图3a所示，Ni′是聚合节点自身特征和邻居节点的特征后的结果。Residual用于表示解决深度学习中由于层级过多导致的梯度消失问题的方法。可以使用不同聚合函数，例如平均聚合、GCN(Graph Convolutional Network，图卷积网络)归纳式聚合、LSTM(Long Short-Term Memory，长短期记忆网络)聚合、pooling聚合器。
例如，采用平均聚合：
Ni′＝Residual(Ni,RealNeighbors(Ni))
＝CONCAT(Ni,MEAN(RealNeighbors(Ni)))
CONCAT表示拼接，MEAN表示求平均。先对邻居节点的特征中每个维度取平均，然后与目标节点的特征拼接后进行非线性转换。
步骤205，将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
在本实施例中，可直接将聚合特征输入逻辑回归模型，得到分类结果，也可将聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；将第二加权和输入逻辑回归模型，得到分类结果。逻辑回归模型可以是sigmoid函数，分类结果为虚假交易订单的概率。如果概率大于预定的阈值，则认为目标节点是虚假交易订单。还可更换目标节点，重新执行步骤202-205。
Score＝Sigmoid(W output*Ni′+B output)
其中，Score用于表示分类结果。W output表示第二权重参数，B output表示第二偏差参数。第二权重参数和第二偏差参数可通过流程400反向学习得到。
可依据反虚假交易历史数据验证本申请的技术方案的效果。如果订单被识别为虚假交易则标签是1。训练集可采用5天的订单，测试集可采用新的一天的订单，判断标准为测试集合的AUC(模型评价指标)情况。
模型 AUC
GCN 0.918
GraphSage(采样-30) 0.915
GAT(采样-30) 0.926
本申请的方法 0.933
可见，本申请的方法能够得到更好的检测效果。抽取的邻居更准确。本申请的方法有可以学习的参数，通过训练模型，会找到合适的阈值，从而更精确识别作弊虚假交易行为。
进一步参考图4，其示出了用于检测虚假交易订单的方法的又一个实施例的流程400。该用于检测虚假交易订单的方法的流程400，包括以下步骤：
步骤401，获取样本集。
在本实施例中，训练步骤的执行主体可以本地或者远程地从与上 述执行主体网络连接的其他电子设备获取样本集。其中，每个样本包括样本订单和用于指示样本订单是否是虚假交易的标注信息。例如，可以由人工标定样本订单是否是虚假交易订单。这里，用于表征样本订单是否是虚假交易订单的标注信息可以是各种形式的。
作为示例，标注信息可以是数值，例如，用0表示不是虚假交易订单，用1表示是虚假交易订单。
步骤402，从样本集中选取样本。
在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤403至步骤408的训练步骤。其中，样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本订单的邻居数量较多的样本。
步骤403，基于选取的样本订单计算出相似度。
在本实施例中，可基于选取的样本订单找到具有至少一个相同特征的其它样本订单作为其邻居订单。基于样本订单和邻居订单构建图结构，再将样本订单作为目标节点分别计算目标节点与所有的邻居节点的相似度。如果邻居节点有多个，则计算出多个相似度。
步骤404，将相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果。
在本实施例中，可预先设置第一权重参数和第一偏差参数的初始值。计算相似度的加权和之后，输入softmax激活层，得到第一结果。第一结果是0或者1，1表示样本订单对应的节点(简称样本节点)与邻居订单对应的节点之间存在有效边，0表示样本订单对应的节点与邻居订单对应的节点之间不存在有效边。如果邻居节点有多个，则每个邻居节点都能得到一个第一结果。
步骤405，基于第一结果确定出选取的样本订单的真实邻居节点后计算出样本聚合特征。
在本实施例中，根据第一结果就可以确定出样本节点的真实邻居订单。可根据步骤204的方法将样本节点和真实邻居节点的特征进行聚合，得到样本聚合特征。
步骤406，将样本聚合特征与初始的第二权重参数相乘再与初始 的第二偏差参数相加后，输入sigmoid函数，得到第二结果。
在本实施例中，计算出样本聚合特征的加权和后再输入sigmoid函数，可得到样本节点是虚假交易订单的概率，即第二结果。
步骤407，计算第二结果与该样本的标注信息的损失值。
在本实施例中，可根据预设的损失函数计算损失值。
步骤408，根据损失值进行反向传播学习，得到第一权重参数、第一偏差参数、第二权重参数和第二偏差参数。
在本实施例中，如果损失值未达到目标值，则根据损失值进行反向传播学习，得到第一权重参数、第一偏差参数、第二权重参数和第二偏差参数。反向传播的方法为现有技术，因此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于检测虚假交易订单的方法的流程400体现了学习参数的过程，通过训练模型，会找到合适的阈值，从而更精确识别作弊虚假交易行为。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于检测虚假交易订单的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于检测虚假交易订单的装置500包括：获取单元501、构建单元502、确定单元503、聚合单元504、检测单元505。其中，获取单元501，被配置成获取待检测的订单集合，其中，订单集合中每个订单包括相同维度的特征；构建单元502，被配置成基于订单集合构建图结构，其中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；确定单元503，被配置成对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点；聚合单元504，被配置成将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；检测单元505，被配置成将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
在本实施例中，用于检测虚假交易订单的装置500的获取单元501、构建单元502、确定单元503、聚合单元504、检测单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤 204、步骤205。
在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：分别计算目标节点与所有的邻居节点的相似度；将计算出的相似度输入softmax激活层，将得到的概率值大于第一阈值的邻居节点确定为真实的邻居节点。
在本实施例的一些可选的实现方式中，聚合单元504进一步被配置成：将真实的邻居节点的特征进行平均，得到平均特征；将目标节点的特征与平均特征拼接，得到聚合特征。
在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：将计算出的相似度乘以第一权重参数后与第一偏差参数相加，得到第一加权和；将第一加权和输入softmax激活层。
在本实施例的一些可选的实现方式中，检测单元505进一步被配置成：将聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；将第二加权和输入sigmoid函数，将得到的概率值大于第二阈值的目标节点确定为虚假交易订单。
在本实施例的一些可选的实现方式中，装置500还包括训练单元(附图中未示出)，被配置成：获取样本集，其中，样本包括样本订单和用于指示样本订单是否是虚假交易的标注信息；从样本集中选取样本；基于选取的样本订单计算出相似度；将相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果；基于第一结果确定出选取的样本订单的真实邻居节点后计算出样本聚合特征；将样本聚合特征与初始的第二权重参数相乘再与初始的第二偏差参数相加后，输入sigmoid函数，得到第二结果；计算第二结果与该样本的标注信息的损失值；根据损失值进行反向传播学习，得到第一权重参数、第一偏差参数、第二权重参数和第二偏差参数。
在本实施例的一些可选的实现方式中，装置500还包括循环单元，被配置成：将图结构中目标节点之外的节点设置为目标节点；从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到聚合特征；将聚合特征输入逻辑 回归模型，确定出目标节点是否是虚假交易订单。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从 存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测的订单集合，其中，订单集合中每个订单包括相同维度的特征；基于订单集合构建图结构，其中，图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；对于图结构中的目标节点，从目标节点的所有的邻居节点中确定出真实的邻居节点；将目标节点的特征与真实的邻居节点的特征聚合，得到 聚合特征；将聚合特征输入逻辑回归模型，确定出目标节点是否是虚假交易订单。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、构建单元、确定单元、聚合单元和检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测的订单集合的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。 本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

  1. 一种用于检测虚假交易订单的方法，包括：
    获取待检测的订单集合，其中，所述订单集合中每个订单包括相同维度的特征；
    基于所述订单集合构建图结构，其中，所述图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；
    对于所述图结构中的目标节点，从所述目标节点的所有的邻居节点中确定出真实的邻居节点；
    将所述目标节点的特征与所述真实的邻居节点的特征聚合，得到聚合特征；
    将所述聚合特征输入逻辑回归模型，确定出所述目标节点是否是虚假交易订单。
  2. 根据权利要求1所述的方法，其中，所述从所述目标节点的所有的邻居节点中确定出真实的邻居节点，包括：
    分别计算所述目标节点与所有的邻居节点的相似度；
    将计算出的相似度输入softmax激活层，将得到的概率值大于第一阈值的邻居节点确定为真实的邻居节点。
  3. 根据权利要求1所述的方法，其中，所述将所述目标节点的特征与所述真实的邻居节点的特征聚合，得到聚合特征，包括：
    将所述真实的邻居节点的特征进行平均，得到平均特征；
    将所述目标节点的特征与所述平均特征拼接，得到聚合特征。
  4. 根据权利要求2所述的方法，其中，所述将计算出的相似度输入softmax激活层，包括：
    将计算出的相似度乘以第一权重参数后与第一偏差参数相加，得到第一加权和；
    将所述第一加权和输入softmax激活层。
  5. 根据权利要求2所述的方法，其中，所述将所述聚合特征输入逻辑回归模型，包括：
    将所述聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；
    将所述第二加权和输入sigmoid函数，将得到的概率值大于第二阈值的目标节点确定为虚假交易订单。
  6. 根据权利要求5所述的方法，所述第一权重参数和、所述第一偏差参数、所述第二权重参数和所述第二偏差参数通过如下步骤得到：
    获取样本集，其中，样本包括样本订单和用于指示样本订单是否是虚假交易的标注信息；
    从所述样本集中选取样本；
    将选取的样本订单经权利要求2所述的方法计算出相似度；
    将所述相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果；
    基于所述第一结果确定出选取的样本订单的真实邻居节点后经权利要求1所述的方法计算出样本聚合特征；
    将所述样本聚合特征与初始的第二权重参数相乘再与初始的第二偏差参数相加后，输入sigmoid函数，得到第二结果；
    计算所述第二结果与该样本的标注信息的损失值；
    根据所述损失值进行反向传播学习，得到所述第一权重参数、所述第一偏差参数、所述第二权重参数和所述第二偏差参数。
  7. 根据权利要求1-6中任一项所述的方法，其中，所述方法还包括：
    将所述图结构中所述目标节点之外的节点设置为目标节点；
    从所述目标节点的所有的邻居节点中确定出真实的邻居节点；
    将所述目标节点的特征与所述真实的邻居节点的特征聚合，得到聚合特征；
    将所述聚合特征输入逻辑回归模型，确定出所述目标节点是否是虚假交易订单。
  8. 一种用于检测虚假交易订单的装置，包括：
    获取单元，被配置成获取待检测的订单集合，其中，所述订单集合中每个订单包括相同维度的特征；
    构建单元，被配置成基于所述订单集合构建图结构，其中，所述图结构中每个节点代表一个订单，相邻的节点之间具有至少一个相同的特征；
    确定单元，被配置成对于所述图结构中的目标节点，从所述目标节点的所有的邻居节点中确定出真实的邻居节点；
    聚合单元，被配置成将所述目标节点的特征与所述真实的邻居节点的特征聚合，得到聚合特征；
    检测单元，被配置成将所述聚合特征输入逻辑回归模型，确定出所述目标节点是否是虚假交易订单。
  9. 根据权利要求8所述的装置，其中，所述确定单元进一步被配置成：分别计算所述目标节点与所有的邻居节点的相似度；将计算出的相似度输入softmax激活层，将得到的概率值大于第一阈值的邻居节点确定为真实的邻居节点。
  10. 根据权利要求8所述的装置，其中，所述聚合单元进一步被配置成：将所述真实的邻居节点的特征进行平均，得到平均特征；以及将所述目标节点的特征与所述平均特征拼接，得到聚合特征。
  11. 根据权利要求9所述的装置，其中，所述确定单元进一步被配置成：将计算出的相似度乘以第一权重参数后与第一偏差参数相加，得到第一加权和；以及将所述第一加权和输入softmax激活层。
  12. 根据权利9所述的装置，其中，所述检测单元进一步被配置 成：将所述聚合特征乘以第二权重参数后与第二偏差参数相加，得到第二加权和；以及将所述第二加权和输入sigmoid函数，将得到的概率值大于第二阈值的目标节点确定为虚假交易订单。
  13. [根据细则91更正 09.07.2021]
    根据权利要求12所述的装置，其中，所述装置还包括训练单元，所述训练单元被配置成：
    获取样本集，其中，样本包括样本订单和用于指示样本订单是否是虚假交易的标注信息；
    从所述样本集中选取样本；
    基于选取的样本订单计算出相似度；
    将所述相似度与初始的第一权重参数相乘再与初始的第一偏差参数相加后，输入softmax激活层，得到第一结果；
    基于所述第一结果确定出选取的样本订单的真实邻居节点后经权利要求1所述的方法计算出样本聚合特征；
    将所述样本聚合特征与初始的第二权重参数相乘再与初始的第二偏差参数相加后，输入sigmoid函数，得到第二结果；
    计算所述第二结果与该样本的标注信息的损失值；以及
    根据所述损失值进行反向传播学习，得到所述第一权重参数、所述第一偏差参数、所述第二权重参数和所述第二偏差参数。
  14. [根据细则91更正 09.07.2021]
    根据权利要求8-13中任一项所述的装置，其中，所述装置还包括：
    循环单元，被配置成：将所述图结构中所述目标节点之外的节点设置为目标节点；从所述目标节点的所有的邻居节点中确定出真实的邻居节点；将所述目标节点的特征与所述真实的邻居节点的特征聚合，得到聚合特征；以及将所述聚合特征输入逻辑回归模型，确定出所述目标节点是否是虚假交易订单。
  15. 一种用于检测虚假交易订单的电子设备，包括：
    一个或多个处理器；
    存储装置，其上存储有一个或多个程序，
    当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
  16. 一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
PCT/CN2021/100299 2020-07-24 2021-06-16 用于检测虚假交易订单的方法和装置 WO2022017082A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP21847414.6A EP4187472A4 (en) 2020-07-24 2021-06-16 METHOD AND DEVICE FOR DETECTING FALSE TRANSACTION ORDERS
US18/017,596 US20230281696A1 (en) 2020-07-24 2021-06-16 Method and apparatus for detecting false transaction order

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010720817.1 2020-07-24
CN202010720817.1A CN113763077A (zh) 2020-07-24 2020-07-24 用于检测虚假交易订单的方法和装置

Publications (1)

Publication Number Publication Date
WO2022017082A1 true WO2022017082A1 (zh) 2022-01-27

Family

ID=78785568

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/100299 WO2022017082A1 (zh) 2020-07-24 2021-06-16 用于检测虚假交易订单的方法和装置

Country Status (4)

Country Link
US (1) US20230281696A1 (zh)
EP (1) EP4187472A4 (zh)
CN (1) CN113763077A (zh)
WO (1) WO2022017082A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131070B (zh) * 2022-07-12 2023-07-18 浪潮卓数大数据产业发展有限公司 一种在线商品预定量虚标的识别及处理方法及装置
CN116205555B (zh) * 2023-04-28 2023-09-05 宁夏金丝路大数据科技有限责任公司 一种基于大数据的物流信息可视化管理系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108063810A (zh) * 2017-12-12 2018-05-22 浙江工业大学 一种基于网络局部结构信息过滤的推荐方法
CN108921566A (zh) * 2018-05-03 2018-11-30 阿里巴巴集团控股有限公司 一种基于图结构模型的虚假交易识别方法和装置
CN109191107A (zh) * 2018-06-29 2019-01-11 阿里巴巴集团控股有限公司 交易异常识别方法、装置以及设备
CN109598563A (zh) * 2019-01-24 2019-04-09 北京三快在线科技有限公司 刷单检测方法、装置、存储介质和电子设备
CN109615167A (zh) * 2018-11-06 2019-04-12 阿里巴巴集团控股有限公司 确定疑似批量风险交易事件的方法、装置和电子设备
US20190130116A1 (en) * 2016-07-01 2019-05-02 Alibaba Group Holding Limited Method and device for controlling data risk
CN109934706A (zh) * 2017-12-15 2019-06-25 阿里巴巴集团控股有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
CN111340509A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 一种虚假交易识别方法、装置及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140337125A1 (en) * 2013-03-14 2014-11-13 AppNexus Inc. Learn budgeting in online advertising auction exchanges
CN106709777A (zh) * 2015-11-18 2017-05-24 阿里巴巴集团控股有限公司 一种订单聚类方法及装置，以及反恶意信息的方法及装置
CN105894360B (zh) * 2016-03-31 2020-06-02 百度在线网络技术（北京）有限公司 作弊订单识别方法、装置及系统
GB201709219D0 (en) * 2017-06-09 2017-07-26 Nchain Holdings Ltd Computer-implemented system and method
CN107341716B (zh) * 2017-07-11 2020-12-25 北京奇艺世纪科技有限公司 一种恶意订单识别的方法、装置及电子设备
CN110473083B (zh) * 2019-07-08 2023-07-14 创新先进技术有限公司 树状风险账户识别方法、装置、服务器及存储介质
CN110796497A (zh) * 2019-10-31 2020-02-14 支付宝(杭州)信息技术有限公司 检测异常操作行为的方法以及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130116A1 (en) * 2016-07-01 2019-05-02 Alibaba Group Holding Limited Method and device for controlling data risk
CN108063810A (zh) * 2017-12-12 2018-05-22 浙江工业大学 一种基于网络局部结构信息过滤的推荐方法
CN109934706A (zh) * 2017-12-15 2019-06-25 阿里巴巴集团控股有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
CN108921566A (zh) * 2018-05-03 2018-11-30 阿里巴巴集团控股有限公司 一种基于图结构模型的虚假交易识别方法和装置
CN109191107A (zh) * 2018-06-29 2019-01-11 阿里巴巴集团控股有限公司 交易异常识别方法、装置以及设备
CN109615167A (zh) * 2018-11-06 2019-04-12 阿里巴巴集团控股有限公司 确定疑似批量风险交易事件的方法、装置和电子设备
CN109598563A (zh) * 2019-01-24 2019-04-09 北京三快在线科技有限公司 刷单检测方法、装置、存储介质和电子设备
CN111340509A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 一种虚假交易识别方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4187472A4

Also Published As

Publication number Publication date
EP4187472A1 (en) 2023-05-31
CN113763077A (zh) 2021-12-07
US20230281696A1 (en) 2023-09-07
EP4187472A4 (en) 2023-12-20

Similar Documents

Publication Publication Date Title
WO2019095782A1 (zh) 一种数据样本标签处理方法及装置
WO2020156389A1 (zh) 信息推送方法和装置
US20170018030A1 (en) System and Method for Determining Credit Worthiness of a User
WO2022017082A1 (zh) 用于检测虚假交易订单的方法和装置
US20120084226A1 (en) Measuring or estimating user credibility
CN110135978B (zh) 用户金融风险评估方法、装置、电子设备和可读介质
CN111371767A (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN112149699B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN110609783B (zh) 用于识别异常行为用户的方法和装置
CN114579878A (zh) 虚假新闻判别模型的训练方法、虚假新闻判别方法及装置
CN113392920B (zh) 生成作弊预测模型的方法、装置、设备、介质及程序产品
CN110720099A (zh) 基于种子监督学习提供推荐的系统和方法
JP7288062B2 (ja) 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN113128773A (zh) 地址预测模型的训练方法、地址预测方法及装置
CN113869904B (zh) 可疑数据识别方法、装置、电子设备、介质和计算机程序
CN113255819B (zh) 用于识别信息的方法和装置
WO2022100401A1 (zh) 基于图像识别的价格信息处理方法、装置、设备和介质
CN113780318B (zh) 用于生成提示信息的方法、装置、服务器和介质
CN114943543A (zh) 模型训练方法、异常商品识别方法、电子设备及存储介质
CN114238968A (zh) 应用程序检测方法及装置、存储介质及电子设备
CN113779276A (zh) 用于检测评论的方法和装置
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN111367778A (zh) 评估搜索策略的数据分析方法和装置
JP2018073341A (ja) 情報提供装置、情報提供方法、および情報提供プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21847414

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2021847414

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021847414

Country of ref document: EP

Effective date: 20230224