CN103577991B - 一种用户的识别方法和装置 - Google Patents
一种用户的识别方法和装置 Download PDFInfo
- Publication number
- CN103577991B CN103577991B CN201210275476.7A CN201210275476A CN103577991B CN 103577991 B CN103577991 B CN 103577991B CN 201210275476 A CN201210275476 A CN 201210275476A CN 103577991 B CN103577991 B CN 103577991B
- Authority
- CN
- China
- Prior art keywords
- user
- seller
- buyer
- junk
- association
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用户的识别方法和装置,可以区分出不同用户的行为的严重程度,并根据所述行为的严重程度对用户进行区别处理。所述方法包括:获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;根据用户的风险分值,对所述用户进行相应的监控和限制操作。
Description
技术领域
本申请涉及数据处理技术,特别是涉及一种用户的识别方法和装置。
背景技术
随着计算机的普及和网络的发展,网络在生活中占据着越来越重要的地位。用户可以在社交网络平台上传递信息,也可以在电子交易平台中交易购物。
但是,网络上的信息并不都是安全、可靠的。例如,在社交网络平台上,有一些用户可能会散布谣言,一些用户可能会攻击其他用户。又如,在电子交易平台中,有一些用户可能会为了提高信用度而进行虚假交易,有一些用户会出售假冒伪劣产品。
平台中每天运行、交互的数据是数以亿计的,而与用户的上述行为相关数据又是非常隐蔽的,通常只有在上述的行为造成重大的影响,或者被其他用户举报后,平台的管理者才会发现并查找问题的根源。进而发现进行这些行为的用户并进行处罚,例如,执行查封所述用户的账号,并将所述用户加入黑名单等措施,所述用户就不能再使用所述账号登陆对应的平台。
但是,用户的上述行为有轻微和严重的区别,例如在电子商务平台中,有一些用户是故意出售假冒伪劣产品充当正品来牟利,而有一些用户在新品刚上市时,进行一些虚假交易仅是为了提高卖家的信心,产品本身并没有问题。
因此,本领域技术人员迫切解决的一个技术问题是,提出一种用户的识别方法,可以区分出不同用户的行为的严重程度,并根据所述行为的严重程度对用户进行区别处理。
发明内容
本申请提供一种用户的识别方法和装置,可以区分出不同用户的行为的严重程度,并根据所述行为的严重程度对用户进行区别处理。
为了解决上述问题,本申请公开了一种用户的识别方法,包括:
获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
根据用户的风险分值,对所述用户进行相应的监控和限制操作。
优选地,所述方法还包括:获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;将预设的第一垃圾用户的第一分值添加到风险分值中。
优选地,在电子商务平台中,所述用户为卖家,所述关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。
优选地,所述根据所述行为信息区分出每个用户的各类关联用户,包括以下至少一项:对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;对所有卖家的行为信息中交易评价信息进行汇总分析,获取到职业差评用户,并分析出与职业差评用户交互的卖家;通过卖家的行为信息中交易信息的权重信息,获取到所述卖家的大宗买家和粉丝用户;通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,获取到所述卖家的炒信买家。
优选地,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
优选地,所述方法还包括:通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
优选地,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;将具有所述独有的第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
本申请还提供了一种用户的识别装置,包括:
获取并区分模块,用于获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
风险分值获取模块,用于针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
监控模块,用于根据用户的风险分值,对所述用户进行相应的监控和限制操作。
优选地,所述装置还包括:垃圾用户获取模块,用于获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;第一添加模块,用于将预设的第一垃圾用户的第一分值添加到风险分值中。
优选地,在电子商务平台中,所述用户为卖家,所述关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。
优选地,所述获取并区分模块,包括以下至少一项:影子用户获取模块,用于对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;职业差评用户分析模块,用于对所有卖家的行为信息中交易评价信息进行汇总分析,获取到职业差评用户,并分析出与职业差评用户交互的卖家;买家和粉丝获取模块,用于通过卖家的行为信息中交易信息的权重信息,获取到所述卖家的大宗买家和粉丝用户;炒信买家获取模块,用于通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,获取到所述卖家的炒信买家。
优选地,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括风险用户识别模块,进一步包括:分析子模块,用于通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;识别子模块,用于以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
优选地,所述装置还包括:风险用户聚类模块,用于通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;第二添加模块,用于通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
优选地,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括第三垃圾用户确定模块,进一步包括:第一聚类子模块,用于对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;第二聚类子模块,用于随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;比较并确定子模块,用于将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;确定并添加子模块,用于将具有所述独有的第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
与现有技术相比,本申请包括以下优点:
首先,用户的行为造成的影响有轻微和严重的区别,现有技术无法对此进行区分。本申请获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,不同关联用户会对所述用户的行为产生不同的影响。如在电子商务平台中,卖家雇佣炒信买家进行虚假交易的行为是比较轻微的,而卖家雇佣职业差评师进行不正当竞争的行为是比较严重的。因此,对每个关联用户预设了风险权重,可以针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值。通过所述风险分值来评价用户的行为的严重程度,进而根据用户的风险分值,对所述用户进行相应的监控和限制操作。
其次,本申请可以还将被处罚的用户作为第一垃圾用户,并预设了第一垃圾用户的第一分值,并将所述第一分值添加到所述第一垃圾用户对应的风险分值中,从而考虑到了用户的历史对其风险分值的影响,使风险分值更加准确、全面。
再次,本申请可以应用于电子商务领域中,将卖家作为本申请所述的用户,则卖家对应的关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。通过对关联用户的分析、识别,可以获取到每一个卖家在是否参与了恶性竞争、是否进行了虚假交易。使得所述风险分值可以作为所述卖家在的电子商务中的信用评价标准之一,也可以关联到对应的自然人,作为在社会中的信用评价标准之一,应用领域非常的广泛。
附图说明
图1是本申请实施例所述一种用户的识别方法流程图;
图2是本申请优选实施例所述一种用户识别方法中第二垃圾用户识别流程图;
图3是本申请优选实施例所述一种用户识别方法中第三垃圾用户识别流程图;
图4是本申请实施例所述一种用户的识别装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
用户的行为造成的影响有轻微和严重的区别,现有技术无法对此进行区分。
本申请提供一种用户的识别方法,可以区分出不同用户的行为的严重程度,并根据所述行为的严重程度对用户进行区别处理。
下面通过实施例对本申请所述方法进行详细说明。
参照图1,给出了本申请实施例所述一种用户的识别方法流程图。
步骤11,获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
用户在平台中进行网络活动,如购物,发表微博等,会产生相应的行为信息。本申请可以从获取平台中每个用户的用户ID(identity),然后查询平台数据库中所述用户ID的所有消息记录,从所述消息记录中获取所述用户的行为信息,并且对所述行为信息进行分析。所述行为信息可以包括很多种类别,通过不同类别的行为信息可以区分出每个用户的各类关联用户,并获取对应的用户ID,例如,微博中一个用户的各类关联用户包括粉丝、互粉等,如在电子商务平台中,一个卖家的各类关联用户包括大宗买家和炒信买家等。
其中,所述关联用户为与所述用户的行为信息进行交互的用户。例如,微博中一个在用户1的关联用户可以包括:用户1关注的用户、关注用户1的用户,和用户1彼此关注的用户和未关注用户1但转发过微博的用户等。电子商务网站中,一个卖家的关联用户可以包括买家。
步骤12,针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
一个用户与关联用户进行了交互,就可以说明该用户存在着一定程度的风险,例如,一个卖家的关联用户包括炒信买家,则该卖家可能存在虚假交易,又如,一个卖家的关联用户包括职业差评师,则该卖家可能进行了不正当的竞争。并且各类关联用户的风险程度是不同的,因此本申请预设了各类关联用户的风险权重,实际处理中可以根据不同的平台进行权重的设置,本申请对此不做限定。
不同类别的关联用户有各自的风险权重,则针对每个用户,分析出他的各类关联用户后,所述用户的风险分值就是,将所述用户的各类关联用户按照各自预设的风险权重进行加权后的计算结果。
例如,检测到用户X的两类风险用户,分别包括10个第一类风险用户、3个第二类风险用户,第一类风险用户的权重是0.3,第二类风险用户的权重是0.5,则用户X的风险分值为10*0.3+3*0.5=4.5
步骤13,根据用户的风险分值,对所述用户进行相应的监控和限制操作。
根据各个用户的风险分值,对所述用户执行与其风险分值相对应的监控和限制操作,
例如,电子商务平台中用户申请贷款时,用户1~3都申请贷款10万元,检测到用户1的风险分值是60,用户2的风险分值是20,用户3的风险分值是85,则可以给用户1贷款5万元,给用户2贷款10万元,不给用户3贷款。
综上所述,用户的行为造成的影响有轻微和严重的区别,现有技术无法对此进行区分。本申请获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,不同关联用户会对所述用户的行为产生不同的影响。如在电子商务平台中,卖家雇佣炒信买家进行虚假交易的行为是比较轻微的,而卖家雇佣职业差评师进行不正当竞争的行为是比较严重的。因此,对每个关联用户预设了风险权重,可以针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值。通过所述风险分值来评价用户的行为的严重程度,进而根据用户的风险分值,对所述用户进行相应的监控和限制操作。
优选的,所述的方法还可包括:
获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;将预设的第一垃圾用户的第一分值添加到风险分值中。
一个平台中若用户从事了不良信息的传播,行为严重且被平台的管理者发现后,管理者会对所述用户进行处罚。如,在社交网络平台上,一个用户攻击了其他用户,可以禁止所述用户在平台中进行评论,情节严重时可以查封账号。又如,电子商务平台中,一个用户出售了假冒伪劣产品,可以对所述用户进行罚款处罚。平台会对所有的处罚进行记录并存储到数据库中。
因此,本申请还可以从数据库中获取被处罚的用户,将所述被处罚的用户作为第一垃圾用户,例如,平台中的所有处罚可以记录在数据库中,则对应可以在数据库中查找处罚记录,所述处罚记录中记录了所有被处罚用户的用户标识(Identity,ID),则这些用户ID所标识的用户即为第一垃圾用户。然后可以查找所述用户ID对应的消息记录,从所述消息记录中获取所述第一垃圾用户的行为信息。并且,与第一垃圾用户进行交易也存在一定的风险,本申请中预设了垃圾用户的第一分值,在对用户进行识别时,若检测到所述用户是第一垃圾用户,则将对应的第一分值添加到所述用户的风险分值中。
例如,预设第一分值为20,检测到上例中用户X被处罚过,则用户X是第一垃圾用户,则用户X的风险分值为4.5+20=24.5.
综上所述,本申请可以还将被处罚的用户作为第一垃圾用户,并预设了第一垃圾用户的第一分值,并将所述第一分值添加到所述第一垃圾用户对应的风险分值中,从而考虑到了用户的历史对其风险分值的影响,使风险分值更加准确、全面。
本申请可以应用于电子商务领域,在电子商务平台中,将卖家作为本申请所述的用户,则卖家对应的关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。
获取一个卖家的行为信息时,可以以交易为单位,获取每一笔交易的:卖家,买家,商品名称,类目,价格,购买时间,支付时间,发货时间,收货时间,交易评价时间和交易评价内容等。
然后卖家为单位,获取卖家的买家群体在购买金额,时间上的偏好,交易走势以及评价相关情况。
再以买家为单位,获取买家的主要消费类型,金额以及卖家的分布。
因此,本申请在具体实施中可以以卖家为中心,建立每个卖家的人际关系图,从而清晰地标识出每个卖家的人际关系,如影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户等。
优选的,所述根据所述行为信息区分出每个用户的各类关联用户,包括以下至少一项:
1)对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;
在电子商务平台中,通常一个自然人用户只允许注册一个账号,即一个自然人仅获取一个用户ID,而实际处理中,往往会有一些买家和卖家为了不当利益的需求,用不同的身份信息,注册多个账号,这些账号被称为影子账号,即一个用户拥有多个用户ID。例如,一个自然人采用自己的3个邮箱注册了3个账号,分别是账号1~3,针对账号1而言,账号2和3就是账号1的影子账号,所述账号的用户就是影子用户,则所述账号对应的用户ID就是影子用户的用户ID。
因此,可以对卖家的行为信息进行分析,分析其中的登录信息、物流信息、注册信息和联系信息等,例如,发现几个账号采用了同样的收货地址,又如,几个账号经常采用相同的IP地址进行登录,也有可能是几个账号采用了相同的联系方式。因此通过对上述信息的分析,可以获取到所述卖家是否存在影子账号,若所述卖家存在影子账号,则各个影子账号对应的用户ID就是所述卖家的影子用户的用户ID。
2)对所有卖家的行为信息中交易评价信息进行汇总分析,获取到职业差评用户,并分析出与职业差评用户交互的卖家;
所述职业差评用户是指,购买由竞争对手(某一卖家)指定的电子商务平台卖家的商品或者服务,购买结束以后,恶意诋毁所购买的商品或者服务质量的买家,从而所述卖家可以达到打击竞争对手的目的,而买家即职业差评用户可以从中牟利。
本申请可以对所有卖家的行为信息中交易评价信息进行汇总分析,获取到职业差评用户,例如有一些买家经常给卖家差评,获取到这些买家的用户ID,对这些用户ID即买家要进行重点监控,通过对所述买家的用户ID对应的行为信息进行分析发现,所述买家购买的款项来自于另一从事同行业的卖家,也可能是所述买家购买的商品邮寄到另一从事同行业的卖家的注册地址中,则所述买家为职业差评用户,所述提供款项的卖家和邮寄地址对应的卖家,就是与职业差评用户交互,即雇佣职业差评用户的卖家。因此通过对经常给卖家差评的用户进行分析,可以分析出所述用户是否为职业差评用户,若是职业差评师还可以分析出与职业差评用户交互的卖家。
3)通过卖家的行为信息中交易信息的权重信息,获取到所述卖家的大宗买家和粉丝用户;
①所述大宗买家是在某卖家的交易金额中,所述交易金额的排名在前n位的买家。例如,对卖家01的所有买家进行统计,并获取每个买家与卖家01的交易金额,将所有买家按照所述交易金额进行排序,排序后结果为买家A、买家D、买家C、买家E和买家B,若取排在前2名的买家为大宗买家,则卖家01的大宗买家为买家A和买家D。即可以按照买家在所述卖家的行为信息中,交易信息的交易金额所占的比重(即权重)进行排名,即可获取到所述卖家的大宗买家。
②某买家与特定卖家的交易金额,和所述买家的所有交易金额的比值超过阈值时,即交易金额的权重超过阈值,则此买家称为此特定卖家的粉丝用户。例如,买家D所有交易中90%都是在卖家01中购买的,即卖家01在买家D中所占的权重是0.9,若阈值为0.75,则买家D为卖家01的粉丝用户。
4)通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,获取到所述卖家的炒信买家。
所述炒信买家是指参与制造虚假的在线交易,提升店铺的信用等级,制造商品或者服务热销的假象的买家。例如,卖家01雇佣买家C为其进行虚假交易,以提升店铺的信用等级,商品的标价为1000,则卖家01在销售给买家C的价格可能是100。又如,发现卖家01的支付信息中,有5个不同账号即不同用户ID的汇款来源是同一账号。因此通过对卖家的行为信息进行分析,从所述行为信息中买家信息、物流信息、支付信息和评价信息等,可以获取到所述卖家的炒信买家
参照图2,给出了本申请优选实施例所述一种用户识别方法中第二垃圾用户识别流程图。
优选的,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:
步骤21,通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;
所述关联用户即买家,上述获取到第一垃圾用户后,即可获取所述第一垃圾用户的用户ID,然后通过所述用户ID获取到所述第一垃圾用户的行为信息,进而对所述第一垃圾用户的行为信息进行分析,例如,以所述第一垃圾用户的行为信息为源头,查找与所述行为信息交互的关联信息,如对所述行为信息进行评价的信息。再通过所述关联信息查找到发布所述关联信息的关联用户,即分析出所述第一垃圾用户的所有买家,同时可以计算在所述第一垃圾用户的每个买家的权重。
例如,可以获取与第一垃圾用户进行交易的买家所购买的商品数量和买家所购买的商品总价,然后计算各个买家购买的商品数量和买家购买的商品总价的比值,并将所述比值作为在所述垃圾用户中所述买家的权重。
步骤22,以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
以关联用户为维度,即以买家为维度,例如,以关联用户的用户ID为标识,获取所述标识对应的不良用户的用户ID,即获取到各个买家对应的第一垃圾用户,然后根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
例如,若检测到买家对应的第一垃圾用户的数量超过数量阈值,则所述买家为风险用户。又如,若买家对应的第一垃圾用户的数量未超过数量阈值,但是在对应第一垃圾用户中所述买家的权重异常,如所述第一垃圾用户是销售电脑的,均价在3000以上,但是他销售给买家001的价格是100,则在所述第一垃圾用户中买家001的权重异常,则买家001为风险用户。
步骤23,通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;
上述识别出风险用户后,通过对所述风险用户的行为信息的聚类,通过聚类可以获取到所述风险用户一些共性行为的类别,作为所述风险用户的行为数据,即通过获取到了风险用户的共同的一些行为方式。然后将存在聚类得到的共性行为的用户,即具有所述行为数据的用户作为其他的风险用户。
步骤24,通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
通过其他的风险用户查找到第二垃圾用户,例如,通过所述其他的风险用户的用户ID查找到进行过交易的卖家,然后计算过所述其他的风险用户的用户ID在对应卖家中的权重等数据,如权重存在异常,则可以将所述卖家作为第二垃圾用户,即具有第一垃圾用户相似行为的用户,并预设了第二垃圾用户的第二分值,并将所述第二分值添加到第二垃圾用户的风险分值中。
参照图3,给出了本申请优选实施例所述一种用户识别方法中第三垃圾用户识别流程图。
优选的,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:
步骤31,对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;
获取第一垃圾用户的行为信息,然后可以通过所述行为信息中的商品ID,商品价格,买家的用户ID,买家昵称,注册时间,注册来源,收货地址,评价分数,评价内容,评价时间,卖家昵称,注册时间,卖家等级,买家等级几个维度对被处罚的卖家进行聚类,获取到第一垃圾用户的各类第一行为数据。
其中,所述行为信息可以如表1所示:
表1
当然表1只是行为信息的一种形式,此处仅用于举例论述,不应理解为是对本申请的限制。
然后对平台中所有第一垃圾用户的行为信息进行聚类,例如,可以通过K-Means等聚类方法,来抓取各个相互独立但同时又最具有人群区分度的指标,即第一行为数据。例如,第一类第一行为数据为70%以上的交易在半夜以后进行,第二类第一行为数据90%以上的交易为好评。
步骤32,随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;
为了保证第一垃圾用户的行为信息的聚类结果的准确性和稳定性,即为了保证所述第一行为数据仅是第一垃圾用户的共性行为,而不是所有用户的共性行为。在样本的选择上面,需要注意随机样本的选择,即将所有卖家按照自然分布,随机获取若干个用户和所述用户的行为信息,进行多次聚类,获取所述用户的各类第二行为数据。
例如,一类第二类行为数据为90%以上的交易为好评。
步骤33,将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;
然后区分第一行为数据是第一垃圾用户的共性行为,还是所有用户的共性行为,则可以将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,进而确定第一垃圾用户独有的第一行为数据。如上例中独有的第一行为数据70%以上的交易在半夜以后进行。
通过上述的方法使得最终生成的聚类结果,能够在对人群的筛选上面,具有明显的效果。
步骤34,将具有所述独有的第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
然后对所有卖家中,具有独有的第一行为数据的用户与所述第一垃圾用户具有共性行为,因此可以将具有独有的第一行为数据的用户作为第三垃圾用户,并且预设了第三垃圾用户的第三分值,将所述第三分值添加到所述第三垃圾用户的风险分值中。
通过上述的方法获取到卖家的风险分值后,可以对卖家按照其风险分值进行对应的监控和限制操作。
例如将所述风险分值作为卖家的信用评价标准之一,可以根据所述风险分值,确定是否为卖家进行贷款,以及贷款的金额等。
电子商务平台中作为卖家需要进行实名制,则可以将卖家关联到自然人,将所述风险分值作为该自然人的信用评价标准之一,则该自然人进行贷款、商业活动时可以依据所述风险分值进行评估,应用领域非常广泛。
综上所述,本申请可以应用于电子商务领域中,将卖家作为本申请所述的用户,则卖家对应的关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。通过对关联用户的分析、识别,可以获取到每一个卖家在是否参与了恶性竞争、是否进行了虚假交易。使得所述风险分值可以作为所述卖家在的电子商务中的信用评价标准之一,也可以关联到对应的自然人,作为在社会中的信用评价标准之一,应用领域非常的广泛。
参照图4,给出了本申请实施例所述一种用户的识别装置结构图。
相应的,本申请还提供了一种用户的识别装置,包括:获取并区分模块11、风险分值获取模块12和监控模块13,其中:
获取并区分模块11,用于获取每个用户的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
风险分值获取模块12,用于针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
监控模块13,用于根据用户的风险分值,对所述用户进行相应的监控和限制操作。
优选的,所述的装置还包括:
垃圾用户获取模块,用于获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;
第一添加模块,用于将预设的第一垃圾用户的第一分值添加到风险分值中。
优选的,在电子商务平台中,所述用户为卖家,所述关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户。
优选的,所述获取并区分模块11,包括以下至少一项:
影子用户获取模块,用于对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;
职业差评用户分析模块,用于对所有卖家的行为信息中交易评价信息进行汇总分析,获取到职业差评用户,并分析出与职业差评用户交互的卖家;
买家和粉丝获取模块,用于通过卖家的行为信息中交易信息的权重信息,获取到所述卖家的大宗买家和粉丝用户;
炒信买家获取模块,用于通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,获取到所述卖家的炒信买家。
优选的,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括风险用户识别模块,进一步包括:
分析子模块,用于通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;
识别子模块,用于以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
优选的,所述的装置还包括:
风险用户聚类模块,用于通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;
第二添加模块,用于通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
优选的,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括第三垃圾用户确定模块,进一步包括:
第一聚类子模块,用于对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;
第二聚类子模块,用于随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;
比较并确定子模块,用于将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;
确定并添加子模块,用于将具有所述第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本申请的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本申请所提供的用户的识别方法和装置,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (8)
1.一种用户的识别方法,其特征在于,包括:
获取每个用户的不同类别的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
根据用户的风险分值,对所述用户进行相应的监控和限制操作;
所述方法还包括:
获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;
将预设的第一垃圾用户的第一分值添加到风险分值中;
在电子商务平台中,所述用户为卖家,所述关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户;所述根据所述行为信息区分出每个用户的各类关联用户,包括以下至少一项:
对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;其中,所述卖家的影子用户与所述卖家之间,存在以下至少一种关系:采用同样的收获地址、采用相同的IP地址进行登录、采用相同的联系方式;
对所有卖家的行为信息中交易评价信息进行汇总分析,获取给第一卖家差评的买家,如果所述买家购买的款项来自于第二卖家、或者所述买家购买的商品邮寄到第二卖家的注册地址中,则确定所述买家为所述第二卖家雇佣的职业差评用户;
对卖家的所有买家进行统计,获取每个买家与所述卖家的交易金额,对每个买家交易金额权重进行排名,将排名靠前的买家确定为所述卖家的大宗买家;
对卖家的所有买家进行统计,获取每个买家与所述卖家的交易金额,将交易金额权重超过阈值的买家确定为所述买家的粉丝用户;
通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,如果所述卖家销售给买家的商品价格低于商品标价,则确定所述买家为所述卖家的炒信买家;如果所述卖家的多个买家使用的汇款账号相同,则确定所述多个买家为所述卖家的炒信买家。
2.根据权利要求1所述的方法,其特征在于,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:
通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;
以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
3.根据权利要求2所述的方法,其特征在于,还包括:
通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;
通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
4.根据权利要求1所述的方法,其特征在于,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的方法还包括:
对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;
随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;
将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;
将具有所述独有的第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
5.一种用户的识别装置,其特征在于,包括:
获取并区分模块,用于获取每个用户的不同类别的行为信息,并根据所述行为信息区分出每个用户的各类关联用户,其中,所述关联用户为与所述用户的行为信息进行交互的用户;
风险分值获取模块,用于针对每个用户,分别将所述用户的各类关联用户按照各自预设的风险权重进行加权,获取到所述用户的风险分值;
监控模块,用于根据用户的风险分值,对所述用户进行相应的监控和限制操作;
所述装置还包括:
垃圾用户获取模块,用于获取被处罚的用户作为第一垃圾用户,并获取所述第一垃圾用户的行为信息;
第一添加模块,用于将预设的第一垃圾用户的第一分值添加到风险分值中;
在电子商务平台中,所述用户为卖家,所述关联用户包括以下至少一项:影子用户、职业差评用户、大宗买家、粉丝用户、炒信买家和风险用户;
所述获取并区分模块,包括以下至少一项:
影子用户获取模块,用于对卖家的行为信息中登录信息、物流信息、注册信息和联系信息进行分析,获取到所述卖家的影子用户;其中,所述卖家的影子用户与所述卖家之间,存在以下至少一种关系:采用同样的收获地址、采用相同的IP地址进行登录、采用相同的联系方式;
职业差评用户分析模块,用于对所有卖家的行为信息中交易评价信息进行汇总分析,获取给第一卖家差评的买家,如果所述买家购买的款项来自于第二卖家、或者所述买家购买的商品邮寄到第二卖家的注册地址中,则确定所述买家为所述第二卖家雇佣的职业差评用户;
买家和粉丝获取模块,用于对卖家的所有买家进行统计,获取每个买家与所述卖家的交易金额,对每个买家交易金额权重进行排名,将排名靠前的买家确定为所述卖家的大宗买家;以及用于对卖家的所有买家进行统计,获取每个买家与所述卖家的交易金额,将交易金额权重超过阈值的买家确定为所述买家的粉丝用户;
炒信买家获取模块,用于通过卖家的行为信息中买家信息、物流信息、支付信息和评价信息进行分析,如果所述卖家销售给买家的商品价格低于商品标价,则确定所述买家为所述卖家的炒信买家;如果所述卖家的多个买家使用的汇款账号相同,则确定所述多个买家为所述卖家的炒信买家。
6.根据权利要求5所述的装置,其特征在于,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括风险用户识别模块,进一步包括:
分析子模块,用于通过所述第一垃圾用户的行为信息分析出所述第一垃圾用户的所有关联用户,并计算在所述第一垃圾用户的每个关联用户的权重;
识别子模块,用于以关联用户为维度,分析出所述关联用户对应的第一垃圾用户,根据所述关联用户对应的第一垃圾用户和在对应第一垃圾用户中所述关联用户的权重,识别所述关联用户为风险用户。
7.根据权利要求6所述的装置,其特征在于,还包括:
风险用户聚类模块,用于通过对所述风险用户的行为信息的聚类,获取到所述风险用户的行为数据,并将具有所述行为数据的用户作为其他的风险用户;
第二添加模块,用于通过其他的风险用户查找到第二垃圾用户,并将预设的第二垃圾用户的第二分值添加到风险分值中。
8.根据权利要求5所述的装置,其特征在于,在电子商务平台中,将被处罚的卖家作为第一垃圾用户,所述的装置还包括第三垃圾用户确定模块,进一步包括:
第一聚类子模块,用于对所有第一垃圾用户的行为信息进行聚类,获取到第一垃圾用户的各类第一行为数据;
第二聚类子模块,用于随机获取若干个用户和所述用户的行为信息,对所述用户的行为信息进行聚类,并获取所述用户的各类第二行为数据;
比较并确定子模块,用于将所述第一垃圾用户的第一行为数据与所述用户的第二行为数据进行比较,确定第一垃圾用户独有的第一行为数据;
确定并添加子模块,用于将具有所述独有的第一行为数据的用户作为第三垃圾用户,并将预设的第三垃圾用户的第三分值添加到风险分值中。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210275476.7A CN103577991B (zh) | 2012-08-03 | 2012-08-03 | 一种用户的识别方法和装置 |
CN201910114022.3A CN110009372B (zh) | 2012-08-03 | 2012-08-03 | 一种用户风险识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210275476.7A CN103577991B (zh) | 2012-08-03 | 2012-08-03 | 一种用户的识别方法和装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114022.3A Division CN110009372B (zh) | 2012-08-03 | 2012-08-03 | 一种用户风险识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103577991A CN103577991A (zh) | 2014-02-12 |
CN103577991B true CN103577991B (zh) | 2019-03-19 |
Family
ID=50049727
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114022.3A Active CN110009372B (zh) | 2012-08-03 | 2012-08-03 | 一种用户风险识别方法和装置 |
CN201210275476.7A Active CN103577991B (zh) | 2012-08-03 | 2012-08-03 | 一种用户的识别方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114022.3A Active CN110009372B (zh) | 2012-08-03 | 2012-08-03 | 一种用户风险识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110009372B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933570A (zh) * | 2014-03-20 | 2015-09-23 | 阿里巴巴集团控股有限公司 | 用户侦测方法及装置 |
CN103955833B (zh) * | 2014-03-31 | 2017-08-15 | 浙江工商大学 | 基于虚假交易和社交关系矩阵分析的水军身份确认方法 |
CN109063969B (zh) * | 2014-07-09 | 2022-02-01 | 创新先进技术有限公司 | 一种账户风险评估的方法及装置 |
CN105335855A (zh) | 2014-08-06 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法及装置 |
CN105447028B (zh) * | 2014-08-27 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 识别特征账号的方法及装置 |
CN105631681B (zh) * | 2014-10-29 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 一种电子凭证传输账号的检测方法及设备 |
CN106033575A (zh) * | 2015-03-11 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 风险账户识别方法及装置 |
CN106161372B (zh) * | 2015-04-09 | 2019-05-31 | 阿里巴巴集团控股有限公司 | 一种基于地址匹配的风险识别方法及装置 |
CN105138897B (zh) * | 2015-08-24 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 确定用户权限的方法及装置 |
CN105307176B (zh) * | 2015-11-10 | 2019-03-08 | 中国科学院信息工程研究所 | 一种移动社交机会网络中强健性信息路由方法 |
CN106682906B (zh) * | 2015-11-10 | 2021-03-19 | 创新先进技术有限公司 | 一种风险识别、业务处理方法和设备 |
CN105516192B (zh) * | 2016-01-14 | 2018-11-02 | 同盾控股有限公司 | 一种邮件地址安全识别控制方法和装置 |
CN107180030B (zh) * | 2016-03-09 | 2020-11-17 | 创新先进技术有限公司 | 一种网络上的关系数据生成方法及装置 |
CN107203883B (zh) * | 2016-03-17 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种风险控制方法和设备 |
CN107274042A (zh) * | 2016-04-06 | 2017-10-20 | 阿里巴巴集团控股有限公司 | 一种业务参与对象的风险识别方法及装置 |
CN111784348B (zh) * | 2016-04-26 | 2024-06-11 | 创新先进技术有限公司 | 账户风险识别方法及装置 |
CN106357657B (zh) * | 2016-09-29 | 2020-02-21 | 恒大智慧科技有限公司 | 一种签核发起用户管理方法和设备 |
CN107871203A (zh) * | 2017-09-30 | 2018-04-03 | 平安科技(深圳)有限公司 | 业务员行为风险甄别管理方法、应用服务器及计算机可读存储介质 |
CN109600344B (zh) * | 2017-09-30 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 识别风险群体的方法、装置及电子设备 |
CN109697595B (zh) * | 2017-10-20 | 2020-11-27 | 杭州海康威视***技术有限公司 | 代考勤数据的识别方法及装置、存储介质、计算机设备 |
CN107958341A (zh) * | 2017-12-12 | 2018-04-24 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
CN110009520B (zh) * | 2018-01-02 | 2021-07-02 | 航天信息股份有限公司 | 异常粮食交易排查方法及装置 |
CN110278175B (zh) * | 2018-03-14 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 图结构模型训练、垃圾账户识别方法、装置以及设备 |
CN108898418B (zh) * | 2018-05-31 | 2023-06-23 | 康键信息技术(深圳)有限公司 | 用户账号检测方法、装置、计算机设备和存储介质 |
CN109189805B (zh) * | 2018-08-28 | 2021-01-01 | 拉扎斯网络科技(上海)有限公司 | 行为处理方法、装置、电子设备及计算机可读存储介质 |
CN109213857A (zh) * | 2018-08-29 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种欺诈行为识别方法和装置 |
CN109508879B (zh) * | 2018-11-09 | 2023-07-18 | 创新先进技术有限公司 | 一种风险的识别方法、装置及设备 |
CN109829776B (zh) * | 2018-12-14 | 2024-02-27 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110069923A (zh) * | 2019-03-13 | 2019-07-30 | 咪咕文化科技有限公司 | 一种识别风险用户的方法及相关装置 |
CN110084468B (zh) * | 2019-03-14 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN110415069A (zh) * | 2019-06-20 | 2019-11-05 | 江苏常熟农村商业银行股份有限公司 | 基于金融业务的订单处理方法、装置、***和存储介质 |
CN112413832B (zh) * | 2019-08-23 | 2021-11-30 | 珠海格力电器股份有限公司 | 一种基于用户行为的用户身份识别方法及其电器设备 |
CN110992135B (zh) * | 2019-11-25 | 2024-01-23 | 拉扎斯网络科技(上海)有限公司 | 一种风险识别方法、装置、电子设备及存储介质 |
CN117611330B (zh) * | 2024-01-23 | 2024-04-09 | 天津金城银行股份有限公司 | 一种征信数据处理***、方法、装置、设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010150251A1 (en) * | 2009-06-22 | 2010-12-29 | United Parents Online Ltd. | Method and system of monitoring a network based communication among users |
US20110029382A1 (en) * | 2009-07-30 | 2011-02-03 | Runu, Inc. | Automated Targeting of Information to a Website Visitor |
US20110302097A1 (en) * | 2010-06-04 | 2011-12-08 | Microsoft Corporation | Behavior-based networks |
CN102339445A (zh) * | 2010-07-23 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 对网络交易用户的可信度进行评价的方法和*** |
CN102413013B (zh) * | 2011-11-21 | 2013-11-06 | 北京神州绿盟信息安全科技股份有限公司 | 网络异常行为检测方法及装置 |
CN102571484B (zh) * | 2011-12-14 | 2014-08-27 | 上海交通大学 | 一种检测网络水军以及找到网络水军的方法 |
-
2012
- 2012-08-03 CN CN201910114022.3A patent/CN110009372B/zh active Active
- 2012-08-03 CN CN201210275476.7A patent/CN103577991B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110009372A (zh) | 2019-07-12 |
CN110009372B (zh) | 2023-08-18 |
CN103577991A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577991B (zh) | 一种用户的识别方法和装置 | |
Bauman et al. | Online consumer trust: Trends in research | |
Wang et al. | Recommending trusted online auction sellers using social network analysis | |
CN108038696B (zh) | 基于设备标识码和社交群组信息的刷单检测方法及*** | |
Wang et al. | Identify online store review spammers via social review graph | |
CN108573432B (zh) | 用于电子商务的交易监管***和方法 | |
CA2742395C (en) | Evaluating public records of supply transactions | |
US20130325701A1 (en) | E-currency validation and authorization services platform | |
Chau et al. | Fraud detection in electronic auction | |
CN103577988A (zh) | 一种识别特定用户的方法和装置 | |
CN107305665A (zh) | 一种鉴别虚假交易、防止刷单的方法及装置 | |
US20100262512A1 (en) | Processing and Presenting Intellectual Property and Other Information | |
JP2010515175A (ja) | ユーザのインタラクションに関する分析による不正行為探知 | |
Maranzato et al. | Fraud detection in reputation systems in e-markets using logistic regression | |
EP2596465A1 (en) | Method and system of evaluating credibility of online trading user | |
Carpineto et al. | Learning to detect and measure fake ecommerce websites in search-engine results | |
Elshaar et al. | Semi-supervised classification of fraud data in commercial auctions | |
JP5853125B2 (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
EP2820577A1 (en) | Systems, methods and apparatus for identifying links among interactional digital data | |
Cherqi et al. | Analysis of hacking related trade in the darkweb | |
Mill et al. | Opportunities in Real-Time Fraud Detection: An Explainable Artificial Intelligence (XAI) Research Agenda | |
Zhang et al. | A machine-learned proactive moderation system for auction fraud detection | |
Fire et al. | Large-scale shill bidder detection in e-commerce | |
Dolatabadi et al. | Analysis electronic service quality through ES-qual scale: The case study of nowshahr hotel | |
Bharadwaj et al. | US Intellectual Property and Counterfeit Goods—Landscape Review of Existing/Emerging Research |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191209 Address after: P.O. Box 31119, grand exhibition hall, hibiscus street, 802 West Bay Road, Grand Cayman, Cayman Islands Patentee after: Innovative advanced technology Co., Ltd Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Patentee before: Alibaba Group Holding Co., Ltd. |
|
TR01 | Transfer of patent right |