CN107464169A - 信息输出方法和装置 - Google Patents
信息输出方法和装置 Download PDFInfo
- Publication number
- CN107464169A CN107464169A CN201710680876.9A CN201710680876A CN107464169A CN 107464169 A CN107464169 A CN 107464169A CN 201710680876 A CN201710680876 A CN 201710680876A CN 107464169 A CN107464169 A CN 107464169A
- Authority
- CN
- China
- Prior art keywords
- order
- type
- note
- default
- sequence information
- 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 80
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 50
- 230000006399 behavior Effects 0.000 description 16
- 206010000117 Abnormal behaviour Diseases 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
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
- 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
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (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信息输出方法和装置。该方法的一具体实施方式包括:获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;基于订单信息,识别具有预设的异常特征的订单和下单用户;获取具有异常特征的下单用户针对目标商户所提交的订单;将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。该实施方式提高了信息输出的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及信息输出方法和装置。
背景技术
随着互联网行业的快速发展,越来越多的人选择网上购物和网上订餐的购物方式,人们在网上选择物品时,通常会参考各个物品的销量以及商户的信用度,商户为了提高销量和信用度可能会存在一些异常行为(作弊行为),当确认了商户的作弊行为后,通常需要对商户进行相应的处罚,对商户的处罚力度往往取决于商户参与作弊的订单金额。因此,如何找出商户参与作弊的订单,是一个值得研究的问题。
发明内容
本申请实施例的目的在于提出一种改进的信息输出方法和装置,来解决以上背景技术部分提到的技术问题。
本申请实施例提供A1、一种信息输出方法,上述方法包括:获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;基于订单信息,识别具有预设的异常特征的订单和下单用户;获取具有异常特征的下单用户针对目标商户所提交的订单;将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
A2、如A1上述的方法,在识别具有预设的异常特征的订单和下单用户之后,上述方法包括:基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图,其中,对于比特位图上的每一位,该位上的数值代表订单或下单用户是否具有与该位对应的异常特征。
A3、如A1上述的方法,上述方法还包括:训练订单类型识别模型的步骤,包括:获取订单样本集合,其中,订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本;利用机器学习方法,基于正常类型的订单样本和异常类型的订单样本,训练得到订单类型识别模型。
A4、如A1-A3之一上述的方法,订单信息包括备注信息;以及基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:确定订单的备注信息中是否存在预设的异常词集合中的异常词;若是,则确定存在异常词的订单具有预设的异常特征。
A5、如A1-A3之一上述的方法,订单信息包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项;以及基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:当满足以下至少一个条件时,则确定订单具有预设的异常特征:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;用户下单时间与配送人员取货时间之间的时间差小于预设的第一时间差阈值;配送人员取货时间与用户收货时间之间的时间差小于预设的第二时间差阈值。
A6、如A1-A3之一上述的方法,基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:在预设的时间段内,将针对目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。
A7、如A1-A3之一上述的方法,订单信息包括订单金额和/或补贴金额;以及该方法还包括:将异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出订单总金额;和/或将异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出订单补贴总金额。
本申请实施例提供B1、一种信息输出装置,该装置包括:第一获取单元,配置用于获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;识别单元,配置用于基于订单信息,识别具有预设的异常特征的订单和下单用户;第二获取单元,配置用于获取具有异常特征的下单用户针对目标商户所提交的订单;第一输出单元,配置用于将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
B2、如B1上述的方法,该装置还包括:生成单元,配置用于基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图,其中,对于比特位图上的每一位,该位上的数值代表订单或下单用户是否具有与该位对应的异常特征。
B3、如B1上述的方法,该装置还包括:订单类型识别模型训练单元,配置用于训练订单类型识别模型,包括:获取模块,配置用于获取订单样本集合,其中,订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本;训练模块,配置用于利用机器学习方法,基于正常类型的订单样本和异常类型的订单样本,训练得到订单类型识别模型。
B4、如B1-B3之一上述的方法,订单信息包括备注信息;以及识别单元进一步配置用于:确定订单的备注信息中是否存在预设的异常词集合中的异常词;若是,则确定存在异常词的订单具有预设的异常特征。
B5、如B1-B3之一上述的方法,订单信息包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项;以及识别单元进一步配置用于当满足以下至少一个条件时,则确定订单具有预设的异常特征:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;用户下单时间与配送人员取货时间之间的时间差小于预设的第一时间差阈值;配送人员取货时间与用户收货时间之间的时间差小于预设的第二时间差阈值。
B6、如B1-B3之一上述的方法,识别单元进一步配置用于:在预设的时间段内,将针对目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。
B7、如B1-B3之一上述的方法,订单信息包括订单金额和/或补贴金额;以及该装置还包括:第二输出单元,配置用于将异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出订单总金额;和/或第三输出单元,配置用于将异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出订单补贴总金额。
本申请实施例提供C1、一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如A1到A7中任一实现方式描述的方法。
本申请实施例提供D1、一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如A1到A7中任一实现方式描述的方法。
本申请实施例提供的信息输出方法和装置,通过首先获取针对目标商户所提交的订单的订单信息,而后基于上述订单信息,识别出具有异常特征的订单和下单用户,之后获取具有异常特征的下单用户针对上述目标商户所提交的订单,最后将上述具有异常特征的订单和上述所提交的订单输出到预先训练的订单类型识别模型中得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,从而通过对异常订单进行的多级识别,提高了信息输出的准确性。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的信息输出方法的一个实施例的流程图;
图3是根据本申请的信息输出方法的应用场景的一个示意图;
图4是根据本申请的信息输出方法的又一个实施例的流程图;
图5是根据本申请的信息输出装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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,本申请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申请。
图1示出了可以应用本申请的信息输出方法或信息输出装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括用户终端1011、1012、1013,服务器102,输出终端1031、1032、1033,网络1041、1042和信息显示装置105。网络1041用以在用户终端1011、1012、1013和服务器102之间提供通信链路的介质。网络1042用以在输出终端1031、1032、1033和服务器102之间提供通信链路的介质。网络1041、1042可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用用户终端1011、1012、1013通过网络1041与服务器102交互,以通过用户的下单操作向服务器102发送生成的订单信息等。用户终端1011、1012、1013上可以安装有各种通讯客户端应用,例如外卖类应用、购物类应用、金融支付类应用、即时通信软件、物流信息查询类应用等。
输出终端1031、1032、1033通过网络1042与服务器102交互,以接收服务器102输出的异常类型的订单的订单信息等。输出终端1031、1032、1033上可以安装有各种通讯客户端应用,例如外卖类应用、浏览器类应用等。
用户终端1011、1012、1013与输出终端1031、1032、1033可以是具有显示屏并且支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
信息显示装置105可以是具有显示屏并且与服务器102进行本地交互的各种电子设备,其可以将服务器102输出的异常类型的订单的订单信息进行显示。
服务器102可以是提供各种服务的服务器,例如对从用户终端1011、1012、1013中获取的订单信息提供支持的后台订单服务器。后台订单服务器可以对针对目标商户所提交的订单的订单信息等数据进行分析等处理,并将处理结果(例如异常类型的订单的订单信息)反馈给输出终端。例如,后台订单服务器可以首先获取针对目标商户所提交的订单的订单信息;之后,可以从上述订单信息中识别出具有预设的异常特征的订单和下单用户;然后,可以获取上述具有异常特征的下单用户针对上述目标商户所提交的订单信息;最后,可以将上述具有异常特征的订单的订单信息和上述所提交的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并可以输出订单类型为异常类型的订单的订单信息,并可以通过输出终端1031、1032、1033进行显示,也可以通过信息显示装置105进行显示。
需要说明的是,本申请实施例所提供的信息输出方法一般由服务器102执行,相应地,信息输出装置一般设置于服务器102中。
应该理解,图1中的用户终端、服务器、输出终端、网络和信息显示装置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用户终端、服务器、输出终端、网络和信息显示装置。
继续参考图2,示出了根据本申请的信息输出方法的一个实施例的流程200。该信息输出方法,包括以下步骤:
步骤201,获取针对目标商户所提交的订单的订单信息。
在本实施例中,信息输出方法运行于其上的电子设备(例如图1所示的服务器)可以获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户,上述订单信息可以包括订单标识,期望送达时间,订单所涉及的物品名称以及物品数量,送货(收货)地址信息,收货人名称以及电话号码等等。针对目标商户所提交的订单的订单信息也可以是上述目标商户所接收到的订单的订单信息。当订单已保存在电子设备的存储器中时,上述电子设备可以直接从本地的存储器获取针对上述目标商户所提交的订单的订单信息;或者,当上述电子设备是对终端设备上的物流/外卖类应用进行支持的后台服务器时,其可以通过有线连接方式或者无线连接方式从上述终端设备获取针对上述目标商户所提交的订单的订单信息。需要说明的是,在实际处理中,上述电子设备通常获取针对目标商户所提交的多个订单的多个订单信息。
在本实施例中,上述目标商户可以是预先确定出的存在异常行为(作弊行为)的商户,上述异常行为可以为刷单行为、刷补贴行为等等。上述刷单行为可以是商户付款请买家购买指定的商品以提高商户的销量和信用度,并填写虚假好评的行为。上述刷补贴行为可以是商户付款请买家购买指定金额的商品以获得应用平台的补贴款的行为。
在本实施例中,针对每个商户,当该商户满足以下多个条件中的至少一个时,上述电子设备可以确定该商户存在异常行为,其中,上述多个条件可以包括用户相关条件和订单相关条件,上述用户相关条件可以包括:在预设第一时间段内在该商户下单的次数大于预设的次数阈值的用户的用户数量与在该商户下单的用户总数量之比大于预设的第一比例阈值;在预设第二时间段内只在该商户下单的用户的用户数量与在该商户下单的用户总数量之比大于预设的第二比例阈值;在该商户下单的用户中使用虚拟手机号进行下单的用户的用户数量与在该商户下单的用户总数量之比大于预设的第三比例阈值;用户只浏览该商户的商品信息并进行下单行为的用户的用户数量与在该商户下单的用户总数量之比大于预设的第四比例阈值;用户对该商户的商品信息进行浏览的浏览开始时间到用户下单时间之间的时间差小于预设的第三时间差阈值的用户的用户数量与在该商户下单的用户总数量之比大于预设的第五比例阈值。上述订单相关条件可以包括:用户下单时使用的账号所绑定的电话号码与收货人电话号码不一致的订单的数量与订单总数量之比大于预设的第六比例阈值;订单的备注信息中存在预设的异常词的订单的数量与订单总数量之比大于预设的第七比例阈值;采用同一种支付方式进行支付的订单的数量与订单总数量之比大于预设的第八比例阈值;采用同一个版本号的应用进行下单的订单的数量与订单总数量之比大于预设的第九比例阈值;物流配送的轨迹异常的订单的数量与订单总数量之比大于预设的第十比例阈值。
步骤202,基于订单信息,识别具有预设的异常特征的订单和下单用户。
在本实施例中,上述电子设备可以基于步骤201中获取到的订单信息,识别具有预设的异常特征的订单和下单用户。上述异常特征可以为上述电子设备对多个异常订单的订单信息以及多个异常用户的订单信息进行分析而统计出的特征。作为示例,上述电子设备可以首先获取多个异常订单的订单信息,当统计出超过预设的比例阈值的订单信息中的收货人电话号码与用户下单时使用的账号所绑定的电话号码不一致时,则可以将“收货人电话号码与用户下单时使用的账号所绑定的电话号码不一致”作为异常特征;上述电子设备还可以获取多个异常用户的订单信息,当统计出超过预设的比例阈值的订单信息中的收货人电话号码为虚拟手机号时,则可以将“收货人电话号码为虚拟手机号”作为异常特征;当统计出超过预设的比例阈值的用户对目标商户的商品信息进行浏览的浏览开始时间到用户下单时间之间的时间差小于预设的第三时间差阈值,则可以将“用户对目标商户的商品信息进行浏览的浏览开始时间到用户下单时间之间的时间差小于预设的第三时间差阈值”作为异常特征。
在本实施例的一些可选的实现方式中,上述订单信息可以包括备注信息,备注信息通常是指买家的留言信息。上述电子设备可以确定订单的备注信息中是否存在预设的异常词集合中的异常词,若确定出存在异常词,则可以确定存在异常词的订单具有预设的异常特征。上述异常词可以用于指示该订单具有异常特征,例如,可以确定该订单的备注信息中是否存在异常词“刷单”。
在本实施例的一些可选的实现方式中,上述订单信息还可以包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,上述配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项。上述电子设备可以通过实时监控配送人员的定位地址,更改订单的配送状态,例如,当配送人员到达取货地址时,上述电子设备可以将订单的配送状态更改为“已到店”或“已取货”,当配送人员到达收货地址时,上述电子设备可以将订单的配送状态更改为“已送达”或“已收货”;上述电子设备也可以通过配送人员对配送终端上的图标进行的点击操作更改订单的配送状态,例如,当配送人员点击“已取货”图标时,上述电子设备可以接收配送终端的状态更新信息,并将订单的配送状态更改为“已取货”,当配送人员点击“已送达”图标时,上述电子设备可以接收配送终端的状态更新信息,并将订单的配送状态更改为“已送达”。当满足以下至少一个条件时,则上述电子设备可以确定订单具有预设的异常特征,或订单为异常订单:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;上述用户下单时间与上述配送人员取货时间之间的时间差小于预设的第一时间差阈值;上述配送人员取货时间与上述用户收货时间之间的时间差小于预设的第二时间差阈值。
在本实施例的一些可选的实现方式中,在预设的时间段(例如,一天,一周等)内,上述电子设备可以将针对上述目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。作为示例,当上述时间段为一天,上述数量阈值为5时,可以将在一天内针对上述目标商户所提交的订单的数量大于5的用户确定为具有预设的异常特征的下单用户。
步骤203,获取具有异常特征的下单用户针对目标商户所提交的订单。
在本实施例中,在步骤202中识别出具有异常特征的下单用户之后,上述电子设备可以获取具有异常特征的下单用户针对上述目标商户所提交的订单,订单的订单信息可以包括商户标识符,上述电子设备可以首先获取上述目标商户的商户标识符,之后,可以在上述具有异常特征的下单用户的各个订单中选取订单信息中包含上述目标商户的商户标识符的订单。
步骤204,将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息。
在本实施例中,上述电子设备可以首先将步骤202中识别的具有异常特征的订单的订单信息和步骤203中获取的具有异常特征的下单用户针对上述目标商户所提交的订单的订单信息输入到预先训练的订单类型识别模型中得到各个订单对应的订单类型;之后,可以输出订单类型为异常类型的订单的订单信息,如将上述异常类型的订单的订单信息发送给终端设备以供终端设备对上述订单信息进行呈现,其中,上述订单类型可以包括正常类型和异常类型。
需要说明的是,订单类型识别模型可以用于表征订单信息与订单类型的对应关系。作为示例,订单类型识别模型可以是技术人员基于对大量的订单信息和订单类型的统计而预先制定的、存储有多个订单信息与订单类型的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对与订单信息相关的一个或多个数值进行计算以得到用于表征订单信息所对应的订单的订单类型的计算公式,例如,该计算公式可以是计算订单具有的异常特征的加权和的公式,并利用得到的结果与预设的阈值进行比较,得到用于表征订单类型的识别结果。
在本实施例的一些可选的实现方式中,上述电子设备可以预先按照以下步骤训练订单类型识别模型:
首先,上述电子设备可以获取订单样本集合,其中,上述订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本。
之后,上述电子设备可以在上述正常类型的订单样本中提取订单对应的用户的正常行为特征。上述正常行为特征可以为用户对订单发起的投诉行为;用户针对订单填写的中评行为或者差评行为;用户对订单发起的催单行为等等。
然后,上述电子设备可以在上述异常类型的订单样本中提取订单对应的用户的异常行为特征。上述异常行为特征可以为用户在预设时间段(如10分钟)内下单数量超过预设的下单数量阈值的行为;用户跨城市(用户的定位地址与商户不在一个城市)下单的行为;用户在备注信息中填写异常词“刷单”的行为等等。
最后,上述电子设备可以利用机器学习方法,将上述正常行为特征和上述异常行为特征分别作为输入,将上述正常类型标识和异常类型标识分别作为输出,训练得到订单类型识别模型。具体的,上述电子设备可以使用逻辑回归(Logistic Regression,LR)模型或迭代决策树(Gradient Boosting Decision Tree,GBDT)模型或朴素贝叶斯模型(NaiveBayesian Model,NBM)或支持向量机(Support Vector Machine,SVM)等用于分类的模型,将上述正常行为特征作为模型的输入,将上述正常类型标识作为对应的模型输出,同时将上述异常行为特征作为模型的输入,将上述异常类型标识作为对应的模型输出,利用机器学习方法,对该模型进行训练,得到订单类型识别模型。
继续参见图3,图3是根据本实施例的信息输出方法的应用场景的一个示意图。在图3的应用场景中,首先,服务器301获取针对目标商户所提交的订单的订单信息303;之后,服务器301基于订单信息303,识别出具有异常特征的订单304和具有异常特征的下单用户305;然后,获取下单用户305针对上述目标商户所提交的订单306;最后,将上述具有异常特征的订单304的订单信息和上述所提交的订单306的订单信息输入到预先训练的订单类型识别模型中得到各个订单的订单类型,输出订单类型为异常类型的订单的订单信息307,并可以将异常类型的订单的订单信息307发送给终端设备302进行显示。
本申请的上述实施例提供的方法通过基于针对目标商户提交的订单的订单信息,识别出具有异常特征的订单和下单用户,之后获取具有异常特征的下单用户针对上述目标商户所提交的订单,最后将上述具有异常特征的订单和上述所提交的订单输出到预先训练的订单类型识别模型中得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,从而通过对异常订单进行多级识别,提高了信息输出的准确性。
进一步参考图4,其示出了信息输出方法的又一个实施例的流程400。该信息输出方法的流程400,包括以下步骤:
步骤401,获取针对目标商户所提交的订单的订单信息。
步骤402,基于订单信息,识别具有预设的异常特征的订单和下单用户。
在本实施例中,步骤401-402的操作与步骤201-202的操作基本相同,在此不再赘述。
步骤403,基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图。
在本实施例中,上述电子设备可以首先获取预设的异常特征与对应位置的对应关系表,上述电子设备中可以存储有用户相关的异常特征与对应位置的对应关系表,以及订单相关的异常特征与对应位置的对应关系表。之后,可以基于获取到的对应关系表,对预设位数的比特位图(bitmap)的各个位置上的数值进行设置,其中,上述预设位数可以为32位、64位等,上述比特位图也可以称为比特映射关系图,比特位图是用一个比特(bit)位来标记某个元素对应的值(value),而键(key)即是这个元素,采用比特为单位存储数据可以节省存储空间。具体地,上述电子设备可以首先获取具有异常特征的订单所具有的至少一个异常特征,对于每个异常特征,可以从订单相关的异常特征与对应位置的对应关系表中获取到该异常特征在比特位图中的位置,并可以将这个位置的数值设置为1,例如,当订单所具有的异常特征为异常特征1和异常特征3,在订单相关的异常特征与对应位置的对应关系表中,异常特征1对应比特位图中的右起第一位,异常特征3对应比特位图中的右起第三位,则可以将比特位图中的右起第一位以及右起第三位上的数值设置为1,此时,比特位图中的数值可以转换为十进制数5,这种方式可以节省更多的存储空间。将用户的异常特征表征在比特位图上的方法与上述将订单的异常特征表征在比特位图上的方法基本相同,在此不再赘述。最后,可以生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图。
步骤404,获取具有异常特征的下单用户针对目标商户所提交的订单。
步骤405,将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息。
在本实施例中,步骤404-405的操作与步骤203-204的操作基本相同,在此不再赘述。
步骤406,将异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出订单总金额。
在本实施例中,上述订单信息还可以包括订单金额,上述订单金额可以为商户实际收到的订单金额。上述电子设备可以将步骤405中确定出的各个异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并可以输出上述订单总金额,如将上述订单总金额发送给终端设备以供终端设备对上述订单总金额进行呈现。
步骤407,将异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出订单补贴总金额。
在本实施例中,上述订单信息还可以包括补贴金额,上述补贴金额可以是针对每个订单应用平台付给商户的补贴款的金额,如商户的优惠为满30元减12元,此时,应用平台补贴给商户8元,则针对该订单的补贴金额为8元。上述电子设备可以将步骤405中确定出的各个异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并可以输出上述订单补贴总金额,如将上述订单补贴总金额发送给终端设备以供终端设备对上述订单补贴总金额进行呈现。
从图4中可以看出,与图2对应的实施例相比,本实施例中的信息输出方法的流程400突出了利用比特位图对异常特征进行存储的步骤以及输出异常类型的订单的订单总金额以及订单补贴总金额的步骤。由此,本实施例描述的方案可以节省存储空间,以及提高了信息输出的丰富性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种信息输出装置的一个实施例,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,本实施例的信息输出装置500包括:第一获取单元501、识别单元502、第二获取单元503和第一输出单元504。其中,第一获取单元501配置用于获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;识别单元502配置用于基于订单信息,识别具有预设的异常特征的订单和下单用户;第二获取单元503配置用于获取具有异常特征的下单用户针对目标商户所提交的订单;第一输出单元504配置用于将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
在本实施例中,信息输出装置500的第一获取单元501、识别单元502、第二获取单元503和第一输出单元504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和步骤204。
在本实施例的一些可选的实现方式中,信息输出装置500还可以包括生成单元(图中未示出),上述生成单元可以首先获取预设的异常特征与对应位置的对应关系表,上述生成单元中可以存储有用户相关的异常特征与对应位置的对应关系表,以及订单相关的异常特征与对应位置的对应关系表。之后,可以基于获取到的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,其中,上述预设位数可以为32位、64位等,上述比特位图也可以称为比特映射关系图,比特位图是用一个比特位来标记某个元素对应的值,而键即是这个元素,采用比特为单位存储数据可以节省存储空间。具体地,上述生成单元可以首先获取具有异常特征的订单所具有的至少一个异常特征,对于每个异常特征,可以从订单相关的异常特征与对应位置的对应关系表中获取到该异常特征在比特位图中的位置,并可以将这个位置的数值设置为1。将用户的异常特征表征在比特位图上的方法与上述将订单的异常特征表征在比特位图上的方法基本相同,在此不再赘述。最后,上述生成单元可以生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图。
在本实施例的一些可选的实现方式中,信息输出装置500还可以包括订单类型识别模型训练单元(图中未示出),上述订单类型识别模型训练单元可以用于训练订单类型识别模型。上述订单类型识别模型训练单元可以包括获取模块(图中未示出)和训练模块(图中未示出)。首先,上述获取模块可以获取订单样本集合,其中,上述订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本。之后,上述训练模块可以在上述正常类型的订单样本中提取订单对应的用户的正常行为特征,也可以在上述异常类型的订单样本中提取订单对应的用户的异常行为特征。最后,上述训练模块可以利用机器学习方法,将上述正常行为特征和上述异常行为特征分别作为输入,将上述正常类型标识和异常类型标识分别作为输出,训练得到订单类型识别模型。具体的,上述训练模块可以使用逻辑回归模型或迭代决策树模型或朴素贝叶斯模型或支持向量机等用于分类的模型,将上述正常行为特征作为模型的输入,将上述正常类型标识作为对应的模型输出,同时将上述异常行为特征作为模型的输入,将上述异常类型标识作为对应的模型输出,利用机器学习方法,对该模型进行训练,得到订单类型识别模型。
在本实施例的一些可选的实现方式中,上述订单信息可以包括备注信息,备注信息通常是指买家的留言信息。上述识别单元502可以确定订单的备注信息中是否存在预设的异常词集合中的异常词,若确定出存在异常词,则可以确定存在异常词的订单具有预设的异常特征。上述异常词可以用于指示该订单具有异常特征,例如,可以确定该订单的备注信息中是否存在异常词“刷单”。
在本实施例的一些可选的实现方式中,上述订单信息还可以包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,上述配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项。当满足以下至少一个条件时,则上述识别单元502可以确定订单具有预设的异常特征:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;上述用户下单时间与上述配送人员取货时间之间的时间差小于预设的第一时间差阈值;上述配送人员取货时间与上述用户收货时间之间的时间差小于预设的第二时间差阈值。
在本实施例的一些可选的实现方式中,在预设的时间段内,上述识别单元502可以将针对上述目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。作为示例,当上述时间段为一天,上述数量阈值为5时,可以将在一天内针对上述目标商户所提交的订单的数量大于5的用户确定为具有预设的异常特征的下单用户。
在本实施例的一些可选的实现方式中,上述订单信息还可以包括订单金额,上述订单金额可以为商户实际收到的订单金额;上述订单信息还可以包括补贴金额,上述补贴金额可以是针对每个订单应用平台付给商户的补贴款的金额。上述信息输出装置500还可以包括第二输出单元(图中未示出)和第三输出单元(图中未示出)。上述第二输出单元可以将确定出的各个异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并可以输出上述订单总金额,如将上述订单总金额发送给终端设备以供终端设备对上述订单总金额进行呈现。上述第三输出单元可以将确定出的各个异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并可以输出上述订单补贴总金额,如将上述订单补贴总金额发送给终端设备以供终端设备对上述订单补贴总金额进行呈现。
下面参考图6,其示出了适于用来实现本发明实施例的服务器的计算机***600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)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部分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***600操作所需的各种程序和数据。CPU 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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如液晶显示器(LCD)以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上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***、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。在本申请中,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***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行***、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明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:一种处理器包括第一获取单元、识别单元、第二获取单元和第一输出单元。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,第一获取单元还可以被描述为“获取针对目标商户所提交的订单的订单信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;基于订单信息,识别具有预设的异常特征的订单和下单用户;获取具有异常特征的下单用户针对目标商户所提交的订单;将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
本申请实施例提供A1、一种信息输出方法,上述方法包括:获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;基于订单信息,识别具有预设的异常特征的订单和下单用户;获取具有异常特征的下单用户针对目标商户所提交的订单;将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
A2、如A1上述的方法,在识别具有预设的异常特征的订单和下单用户之后,上述方法包括:基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图,其中,对于比特位图上的每一位,该位上的数值代表订单或下单用户是否具有与该位对应的异常特征。
A3、如A1上述的方法,上述方法还包括:训练订单类型识别模型的步骤,包括:获取订单样本集合,其中,订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本;利用机器学习方法,基于正常类型的订单样本和异常类型的订单样本,训练得到订单类型识别模型。
A4、如A1-A3之一上述的方法,订单信息包括备注信息;以及基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:确定订单的备注信息中是否存在预设的异常词集合中的异常词;若是,则确定存在异常词的订单具有预设的异常特征。
A5、如A1-A3之一上述的方法,订单信息包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项;以及基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:当满足以下至少一个条件时,则确定订单具有预设的异常特征:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;用户下单时间与配送人员取货时间之间的时间差小于预设的第一时间差阈值;配送人员取货时间与用户收货时间之间的时间差小于预设的第二时间差阈值。
A6、如A1-A3之一上述的方法,基于订单信息,识别具有预设的异常特征的订单和下单用户,包括:在预设的时间段内,将针对目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。
A7、如A1-A3之一上述的方法,订单信息包括订单金额和/或补贴金额;以及该方法还包括:将异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出订单总金额;和/或将异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出订单补贴总金额。
本申请实施例提供B1、一种信息输出装置,该装置包括:第一获取单元,配置用于获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;识别单元,配置用于基于订单信息,识别具有预设的异常特征的订单和下单用户;第二获取单元,配置用于获取具有异常特征的下单用户针对目标商户所提交的订单;第一输出单元,配置用于将具有异常特征的订单的订单信息和所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,订单类型识别模型用于表征订单信息与订单类型的对应关系,订单类型包括正常类型和异常类型。
B2、如B1上述的方法,该装置还包括:生成单元,配置用于基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图,其中,对于比特位图上的每一位,该位上的数值代表订单或下单用户是否具有与该位对应的异常特征。
B3、如B1上述的方法,该装置还包括:订单类型识别模型训练单元,配置用于训练订单类型识别模型,包括:获取模块,配置用于获取订单样本集合,其中,订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本;训练模块,配置用于利用机器学习方法,基于正常类型的订单样本和异常类型的订单样本,训练得到订单类型识别模型。
B4、如B1-B3之一上述的方法,订单信息包括备注信息;以及识别单元进一步配置用于:确定订单的备注信息中是否存在预设的异常词集合中的异常词;若是,则确定存在异常词的订单具有预设的异常特征。
B5、如B1-B3之一上述的方法,订单信息包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项;以及识别单元进一步配置用于当满足以下至少一个条件时,则确定订单具有预设的异常特征:收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;用户下单时间与配送人员取货时间之间的时间差小于预设的第一时间差阈值;配送人员取货时间与用户收货时间之间的时间差小于预设的第二时间差阈值。
B6、如B1-B3之一上述的方法,识别单元进一步配置用于:在预设的时间段内,将针对目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。
B7、如B1-B3之一上述的方法,订单信息包括订单金额和/或补贴金额;以及该装置还包括:第二输出单元,配置用于将异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出订单总金额;和/或第三输出单元,配置用于将异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出订单补贴总金额。
本申请实施例提供C1、一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如A1到A7中任一实现方式描述的方法。
本申请实施例提供D1、一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如A1到A7中任一实现方式描述的方法。
以上描述仅为本发明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,本发明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上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。例如上述特征与本发明中公开的(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 (10)
1.一种信息输出方法,其特征在于,所述方法包括:
获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;
基于所述订单信息,识别具有预设的异常特征的订单和下单用户;
获取具有异常特征的下单用户针对所述目标商户所提交的订单;
将具有异常特征的订单的订单信息和所述所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,所述订单类型识别模型用于表征订单信息与订单类型的对应关系,所述订单类型包括正常类型和异常类型。
2.根据权利要求1所述的方法,其特征在于,在所述识别具有预设的异常特征的订单和下单用户之后,所述方法包括:
基于预设的异常特征与对应位置的对应关系表,对预设位数的比特位图的各个位置上的数值进行设置,生成用于表征订单所具有的异常特征的比特位图和/或下单用户所具有的异常特征的比特位图,其中,对于比特位图上的每一位,该位上的数值代表订单或下单用户是否具有与该位对应的异常特征。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:训练订单类型识别模型的步骤,包括:
获取订单样本集合,其中,所述订单样本集合包括预先标识出的正常类型的订单样本和预先标识出的异常类型的订单样本;
利用机器学习方法,基于所述正常类型的订单样本和所述异常类型的订单样本,训练得到订单类型识别模型。
4.根据权利要求1-3之一所述的方法,其特征在于,所述订单信息包括备注信息;以及
所述基于所述订单信息,识别具有预设的异常特征的订单和下单用户,包括:
确定所述订单的备注信息中是否存在预设的异常词集合中的异常词;若是,则确定存在异常词的订单具有预设的异常特征。
5.根据权利要求1-3之一所述的方法,其特征在于,所述订单信息包括以下至少一项:收货地址信息和配送人员确认收货时的定位地址信息,配送时间信息,所述配送时间信息包括:配送人员取货时间以及用户下单时间和用户收货时间中的至少一项;以及
所述基于所述订单信息,识别具有预设的异常特征的订单和下单用户,包括:
当满足以下至少一个条件时,则确定订单具有预设的异常特征:
收货地址与配送人员确认收货时的定位地址之间的距离大于预设的距离阈值;
用户下单时间与配送人员取货时间之间的时间差小于预设的第一时间差阈值;
配送人员取货时间与用户收货时间之间的时间差小于预设的第二时间差阈值。
6.根据权利要求1-3之一所述的方法,其特征在于,所述基于所述订单信息,识别具有预设的异常特征的订单和下单用户,包括:
在预设的时间段内,将针对所述目标商户所提交的订单的数量大于预设的数量阈值的用户确定为具有预设的异常特征的下单用户。
7.根据权利要求1-3之一所述的方法,其特征在于,所述订单信息包括订单金额和/或补贴金额;以及
所述方法还包括:
将所述异常类型的订单对应的订单金额之和确定为异常类型的订单总金额,并输出所述订单总金额;和/或
将所述异常类型的订单对应的补贴金额之和确定为异常类型的订单补贴总金额,并输出所述订单补贴总金额。
8.一种信息输出装置,其特征在于,所述装置包括:
第一获取单元,配置用于获取针对目标商户所提交的订单的订单信息,其中,一个订单对应一个下单用户;
识别单元,配置用于基于所述订单信息,识别具有预设的异常特征的订单和下单用户;
第二获取单元,配置用于获取具有异常特征的下单用户针对所述目标商户所提交的订单;
第一输出单元,配置用于将具有异常特征的订单的订单信息和所述所提交的订单的订单信息输入到预先训练的订单类型识别模型得到订单的订单类型,并输出订单类型为异常类型的订单的订单信息,其中,所述订单类型识别模型用于表征订单信息与订单类型的对应关系,所述订单类型包括正常类型和异常类型。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710680876.9A CN107464169B (zh) | 2017-08-10 | 2017-08-10 | 信息输出方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710680876.9A CN107464169B (zh) | 2017-08-10 | 2017-08-10 | 信息输出方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107464169A true CN107464169A (zh) | 2017-12-12 |
CN107464169B CN107464169B (zh) | 2020-11-10 |
Family
ID=60548820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710680876.9A Expired - Fee Related CN107464169B (zh) | 2017-08-10 | 2017-08-10 | 信息输出方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464169B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182587A (zh) * | 2018-01-29 | 2018-06-19 | 北京信息科技大学 | 一种电商平台刷单行为检测方法及*** |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及*** |
CN108596653A (zh) * | 2018-04-04 | 2018-09-28 | 顺丰科技有限公司 | 一种优惠券异常使用检测***、方法、设备及存储介质 |
CN109118316A (zh) * | 2018-06-25 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 线上店铺真实性的识别方法和装置 |
CN109272336A (zh) * | 2018-09-20 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险商户发现方法和装置 |
CN110288430A (zh) * | 2019-06-11 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种多原子特征组合串行统计规则执行拦截风险订单的方法 |
CN110322573A (zh) * | 2018-03-30 | 2019-10-11 | 北京红马传媒文化发展有限公司 | 用户验证方法、用户验证装置和电子设备 |
CN110335098A (zh) * | 2019-04-24 | 2019-10-15 | 上海恺英网络科技有限公司 | 在产品支付中心服务端的订单识别方法及设备 |
CN110782111A (zh) * | 2019-02-21 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种风险评估方法和*** |
CN110910197A (zh) * | 2019-10-16 | 2020-03-24 | 青岛合聚富电子商务有限公司 | 一种订单处理方法 |
CN110992072A (zh) * | 2018-11-30 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 异常订单预测方法和*** |
CN111242554A (zh) * | 2020-01-17 | 2020-06-05 | 秒针信息技术有限公司 | 拣货方式类型确定方法和装置 |
CN111340053A (zh) * | 2018-12-03 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 订单分类方法、分类***、计算机设备及可读存储介质 |
CN111598274A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于取消异常的风险识别方法、***、装置及存储介质 |
CN111768258A (zh) * | 2019-06-05 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 识别异常订单的方法、装置、电子设备和介质 |
CN111932348A (zh) * | 2020-09-22 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 针对异常订单的报警方法、装置、电子设备和可读介质 |
CN112132649A (zh) * | 2020-08-28 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种订单校验处理方法、装置、介质及终端设备 |
CN112348624A (zh) * | 2020-09-24 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 一种基于神经网络模型的订单处理方法和装置 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN113516529A (zh) * | 2021-04-26 | 2021-10-19 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
CN117575300A (zh) * | 2024-01-19 | 2024-02-20 | 德阳凯达门业有限公司 | 一种车间的任务分配方法以及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298563A (zh) * | 2019-06-14 | 2019-10-01 | 达疆网络科技(上海)有限公司 | 一种判别风险订单的统计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
CN101835095A (zh) * | 2009-03-13 | 2010-09-15 | 中兴通讯股份有限公司 | 实现广播业务多小区传输数据调度的方法 |
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN105389722A (zh) * | 2015-11-20 | 2016-03-09 | 小米科技有限责任公司 | 恶意订单识别方法及装置 |
CN105894360A (zh) * | 2016-03-31 | 2016-08-24 | 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*** |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及*** |
-
2017
- 2017-08-10 CN CN201710680876.9A patent/CN107464169B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
CN101835095A (zh) * | 2009-03-13 | 2010-09-15 | 中兴通讯股份有限公司 | 实现广播业务多小区传输数据调度的方法 |
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN105389722A (zh) * | 2015-11-20 | 2016-03-09 | 小米科技有限责任公司 | 恶意订单识别方法及装置 |
CN105894360A (zh) * | 2016-03-31 | 2016-08-24 | 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*** |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及*** |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182587A (zh) * | 2018-01-29 | 2018-06-19 | 北京信息科技大学 | 一种电商平台刷单行为检测方法及*** |
CN110322573A (zh) * | 2018-03-30 | 2019-10-11 | 北京红马传媒文化发展有限公司 | 用户验证方法、用户验证装置和电子设备 |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及*** |
CN108596653A (zh) * | 2018-04-04 | 2018-09-28 | 顺丰科技有限公司 | 一种优惠券异常使用检测***、方法、设备及存储介质 |
CN109118316A (zh) * | 2018-06-25 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 线上店铺真实性的识别方法和装置 |
CN109118316B (zh) * | 2018-06-25 | 2022-04-26 | 创新先进技术有限公司 | 线上店铺真实性的识别方法和装置 |
CN109272336A (zh) * | 2018-09-20 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险商户发现方法和装置 |
CN110992072A (zh) * | 2018-11-30 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 异常订单预测方法和*** |
CN111340053A (zh) * | 2018-12-03 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 订单分类方法、分类***、计算机设备及可读存储介质 |
CN110782111B (zh) * | 2019-02-21 | 2023-04-25 | 北京嘀嘀无限科技发展有限公司 | 一种风险评估方法和*** |
CN110782111A (zh) * | 2019-02-21 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种风险评估方法和*** |
CN111598274A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于取消异常的风险识别方法、***、装置及存储介质 |
CN110335098A (zh) * | 2019-04-24 | 2019-10-15 | 上海恺英网络科技有限公司 | 在产品支付中心服务端的订单识别方法及设备 |
CN111768258A (zh) * | 2019-06-05 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 识别异常订单的方法、装置、电子设备和介质 |
CN110288430A (zh) * | 2019-06-11 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种多原子特征组合串行统计规则执行拦截风险订单的方法 |
CN110910197A (zh) * | 2019-10-16 | 2020-03-24 | 青岛合聚富电子商务有限公司 | 一种订单处理方法 |
CN111242554A (zh) * | 2020-01-17 | 2020-06-05 | 秒针信息技术有限公司 | 拣货方式类型确定方法和装置 |
CN111242554B (zh) * | 2020-01-17 | 2023-10-17 | 秒针信息技术有限公司 | 拣货方式类型确定方法和装置 |
CN112132649A (zh) * | 2020-08-28 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种订单校验处理方法、装置、介质及终端设备 |
CN111932348A (zh) * | 2020-09-22 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 针对异常订单的报警方法、装置、电子设备和可读介质 |
CN112348624A (zh) * | 2020-09-24 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 一种基于神经网络模型的订单处理方法和装置 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN113516529A (zh) * | 2021-04-26 | 2021-10-19 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
CN113516529B (zh) * | 2021-04-26 | 2024-03-26 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
CN117575300A (zh) * | 2024-01-19 | 2024-02-20 | 德阳凯达门业有限公司 | 一种车间的任务分配方法以及装置 |
CN117575300B (zh) * | 2024-01-19 | 2024-05-14 | 德阳凯达门业有限公司 | 一种车间的任务分配方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107464169B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464169A (zh) | 信息输出方法和装置 | |
CN108985809A (zh) | 激励推送的方法、装置、电子设备和存储介质 | |
CN109840734A (zh) | 信息输出方法和装置 | |
CN107465741A (zh) | 信息推送方法和装置 | |
CN107481059A (zh) | 信息处理方法及*** | |
CN107332910A (zh) | 信息推送方法和装置 | |
CN107517251A (zh) | 信息推送方法和装置 | |
CN109978429A (zh) | 用于输出信息的方法和装置 | |
CN107944956A (zh) | 用于生成信息的方法和装置 | |
CN109146533A (zh) | 信息推送方法和装置 | |
CN106652236A (zh) | 储物柜贩售方法及*** | |
CN107451785A (zh) | 用于输出信息的方法和装置 | |
JP7124194B1 (ja) | アプリケーションプログラム、決済システム、および情報処理方法 | |
CN110020162A (zh) | 用户识别方法和装置 | |
CN107451869A (zh) | 用于推送信息的方法和装置 | |
CN109902986A (zh) | 用于输出信息的方法和装置 | |
CN110473036A (zh) | 一种生成订单号的方法和装置 | |
CN105389723A (zh) | 买方增值税处理装置、方法及其存储介质 | |
CN107464057A (zh) | 用于推送信息的方法和装置 | |
CN107704357A (zh) | 日志生成方法和装置 | |
CN109978421A (zh) | 信息输出方法和装置 | |
CN108665312A (zh) | 用于生成信息的方法和装置 | |
CN109840724A (zh) | 用于输出信息的方法和装置 | |
CN110232581A (zh) | 一种为用户提供优惠券的方法和装置 | |
CN109948773A (zh) | 生成信息的方法和装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Building N3, building 12, No. 27, Jiancai Chengzhong Road, Haidian District, Beijing 100086 Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 |
|
CF01 | Termination of patent right due to non-payment of annual fee |