CN110390584A - 一种异常用户的识别方法、识别装置及可读存储介质 - Google Patents
一种异常用户的识别方法、识别装置及可读存储介质 Download PDFInfo
- Publication number
- CN110390584A CN110390584A CN201910669791.XA CN201910669791A CN110390584A CN 110390584 A CN110390584 A CN 110390584A CN 201910669791 A CN201910669791 A CN 201910669791A CN 110390584 A CN110390584 A CN 110390584A
- Authority
- CN
- China
- Prior art keywords
- order
- account
- time
- abnormal
- user
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种异常用户的识别方法、识别装置及可读存储介质,所述识别方法,基于各服务平台的账号数据信息,确定目标账号;获取目标账号在同一类服务平台中的订单数据集;检测订单数据集中异常订单的数量是否大于预设阈值;若异常订单的数量大于预设阈值,确定目标账号所属用户为异常用户。这样,通过各服务平台的账号数据信息,确定同一用户在同一类的多个服务平台上的订单数据信息中的异常订单数据,若异常订单数据的数量大于预设阈值,确定用户为异常用户,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种异常用户的识别方法、识别装置及可读存储介质。
背景技术
随着网络技术的飞速发展,用户终端搭载的各服务平台可以满足用户的一些生活需求,用户可以通过各服务平台生成订单,购买自己需要的物品,但是有的用户在通过各服务平台下单的时候,会有一些频繁提交无效订单或是频繁取消订单的情况发生,这样会影响各服务平台后台的数据统计,进而影响后续各服务平台的资源配置,所以对于异常用户的识别是各服务平台后台分析数据资源配置中所必须的工作。
现阶段,针对异常用户的分析,还是基于同一个服务平台的数据的统计,这样对于一个异常用户的数据统计还是不够全面,用户可以根据规则在同一个服务平台的预设时间段内只进行少量的异常操作,这样,服务平台后台无法准确定义到异常用户,不利于后续应用程序资源的配置。
发明内容
有鉴于此,本申请的目的在于提供一种异常用户的识别方法、识别装置及可读存储介质,可以通过各服务平台的账号数据信息,确定同一用户在同一类的多个服务平台上的订单数据信息,获取用户在同一类服务平台上的异常订单数据的数量是否大于预设阈值,若所述异常订单的数量大于预设阈值,确定所述用户为异常用户,这样,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
本申请实施例提供了一种异常用户方法,所述识别方法包括:
基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;
获取所述目标账号在同一类服务平台中的订单数据集;
检测所述订单数据集中异常订单的数量是否大于预设阈值;
若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
进一步的,所述基于各服务平台的账号数据信息,确定目标账号,包括:
在所述账号数据信息中,确定各服务平台中的每个账号的账号名称和账号头像;
获取每个帐号头像中指示的用户图片;
将用户图片相同,并且账号名称相同的账号,确定为目标账号。
进一步的,在所述检测所述订单数据集中异常订单的数量是否大于预设阈值之前,所述识别还包括:
获取所述订单数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;
确定每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
进一步的,在所述确定订单生成时间和订单取消时间之间的时间差小于预设差值的订单为异常订单之前,所述识别方法还包括:
获取每一单订单的订单时间中的订单完成时间;
确定每一单订单的订单生成时间和订单完成时间之间的时间差是否小于预设差值;
所述对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单,包括:
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值,确定该订单为异常订单。
进一步的,在所述若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户之后,所述所述识别方法还包括:
将确定的异常用户划分至同一用户集中;
基于所述用户集中的各异常用户的账号名称,生成异常用户名单。
本申请实施例还提供了一种异常用户的识别装置,所述识别装置包括:
第一确定模块,用于基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;
第一获取模块,用于获取所述第一确定模块确定的目标账号在同一类服务平台中的订单数据集;
检测模块,用于检测所述第一获取模块获取的订单数据集中异常订单的数量是否大于预设阈值;
第二确定模块,用于若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
进一步的,所述第一确定模块用于:
在所述账号数据信息中,确定各服务平台中的每个账号的账号名称和账号头像;
获取每个帐号头像中指示的用户图片;
将用户图片相同,并且账号名称相同的账号,确定为目标账号。
进一步的,所述识别装置还包括:
第二获取模块,用于获取所述数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;
第三确定模块,用于确定所述第二获取模块获取的每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;
第三获取模块,用于获取每一单订单的订单时间中的订单完成时间;
第五确定模块,用于确定每一单订单的订单生成时间和订单完成时间之间的时间差是否小于预设差值;
第四确定模块,用于对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
进一步的,所述第四确定模块在对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单时,包括:
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值,确定该订单为异常订单。
进一步的,所述识别装置还包括:
划分模块,用于将所述第二确定模块确定的异常用户划分至同一用户集中;
生成模块,用于基于所述划分模块划分的用户集中的各异常用户的账号名称,生成异常用户名单。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的异常用户的识别方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的异常用户的识别方法的步骤。
本申请实施例提供的异常用户的识别方法、识别装置及可读存储介质,基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;获取所述目标账号在同一类服务平台中的订单数据集;检测所述订单数据集中异常订单的数量是否大于预设阈值;若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
这样,通过各服务平台的账号数据信息,确定同一用户在同一类的多个服务平台上的订单数据信息,获取用户在同一类服务平台上的异常订单数据的数量是否大于预设阈值,若所述异常订单的数量大于预设阈值,确定所述用户为异常用户,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为一种可能的应用场景下的***结构图;
图2为本申请实施例所提供的一种异常用户的识别方法的流程图;
图3为本申请另一实施例所提供的一种异常用户的识别方法的流程图;
图4为本申请实施例所提供的一种异常用户的识别装置的结构示意图之一;
图5为本申请实施例所提供的一种异常用户的识别装置的结构示意图之二;
图6为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于计算机技术领域,基于各服务平台的账号数据信息,确定同一用户在同一类服务平台中的异常数据信息,当所述用户的异常数据的数量超过预设阈值,则确定所述用户为异常用户。这样,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率,请参阅图1,图1为一种在该应用场景下的***结构图。如图1中所示,所述***包括数据存储装置和识别装置,所述数据存储装置存储用户的账号数据信息以及订单数据信息,所述识别装置根据各服务平台的账号数据信息,确定目标账号对应的同一类服务平台中的订单数据集,检测所述数据集中异常订单数量是否大于预设阈值,若大于预设阈值,则确定所述目标账号对应的用户为异常用户。
经研究发现,现阶段,针对异常用户的分析,还是基于同一个服务平台的数据的统计,这样对于一个异常用户的数据统计还是不够全面,用户可以根据规则在同一个服务平台的预设时间段内只进行少量的异常操作,这样,服务平台后台无法准确定义到异常用户,不利于后续应用程序资源的配置。
基于此,本申请的目的在于提供一种异常用户的识别方法及识别装置,可以通过各服务平台的账号数据信息,确定同一用户在同一类的多个服务平台上的订单数据信息,获取用户在同一类服务平台上的异常订单数据的数量是否大于预设阈值,若所述异常订单的数量大于预设阈值,确定所述用户为异常用户,这样,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
请参阅图2,图2为本申请实施例所提供的一种异常用户的识别方法的流程图。本申请实施例提供异常用户的识别方法,包括:
步骤201、基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像。
该步骤中,获取各服务平台中在服务平台上进行订单操作的账号信息,并根据账号信息中的账号名称和账号头像,确定目标账号。
其中,目标账号指的是在各服务平台下单的用户。
这里,各服务平台可以指可以给用户提供服务的应用程序,也可以指加载在第三方平台的小程序。其中,第三方平台可以是微信平台。
这样,根据账号数据信息中的账号名称和账号头像可以比较准确的确定同一个用户。
步骤202、获取所述目标账号在同一类服务平台中的订单数据集。
该步骤中,在步骤201确定目标帐号后,根据目标账号的账号信息,获取同一类服务平台中目标账号的订单数据,并将所述目标账号在服务平台中的全部订单数据集合起来,形成目标账号在同一类服务平台中的订单数据集。
其中,订单数据集中包括每一单订单的订单生成时间、订单取消时间以及订单完成时间;每一单订单的执行账号信息;每一单订单对应的商家等,对于订单数据的获取可以是通过在服务平台中设置软件开发工具包SDK(Software Development Kit)埋点采集的。
这里,同一类服务平台可以是指同一类型的服务平台,例如“美团”、“饿了么”等提供外卖服务的服务平台是一类,“淘宝”、“京东”、“天猫”提供中小商品买卖的服务平台为一类等;也可以是在人力运营资源的调配相同发的服务平台为一类,例如“美团”和“淘宝”用户可能在两个服务平台上选择的物品不是同一类,但是在订单生成之后的工作人员资源配置是一致的都需要包装物品并由对应的配送人员进行配送,这时可以将“美团”和“淘宝”等服务平台看成同一类服务平台。
步骤203、检测所述订单数据集中异常订单的数量是否大于预设阈值。
该步骤中,检测目标账号在同一类服务平台的订单数据的数量是否大于为了判断异常用户而设置的预设阈值,以此作为判断目标账号对应的用户是否为异常用户的依据。
这里,预设阈值的确定可是根据现有单一服务平台的预设阈值进行设置的,例如,现在单一服务平台对于异常用户的异常数据订单的判断阈值为54单,现在判断标准下,同一类服务平台有4个,那么现在异常用户的异常数据订单的判断阈值为可以定为15单。
其中,对于异常订单数量的判断要在一定时间段进行判断,比如将时间段设置为一天,就统计一天内同一用户在同一类服务平台上提交的异常订单的数量,预设一个时间段可以有效避免正常的取消订单的用户被判定为异常用户。
步骤204、若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
该步骤中,如果目标账号所属的用户在一定时间段内在同一类服务平台中总的异常订单的数量大于预先设置的阈值,可以认为该用户在同一类服务平台上频繁进行无效订单操作,该用户可能是异常用户,这些用户没有真实的服务需求。
本申请实施例提供的异常用户的识别方法,基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;获取所述目标账号在同一类服务平台中的订单数据集;检测所述订单数据集中异常订单的数量是否大于预设阈值;若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
这样,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
请参阅图3,图3为本申请另一实施例所提供的一种异常用户的识别方法的流程图。如图3中所示,本申请实施例提供的一种异常用户的识别方法方法,包括:
步骤301、基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像。
步骤302、获取所述目标账号在同一类服务平台中的订单数据集。
步骤303、获取所述订单数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间。
该步骤中,目标账号在经过服务平台下单的时候,服务平台后台会针对每一单订单生成一条数据记录,该数据记录中记录下单的用户账号信息,以及针对此单订单用户进行操作的每一个时间点,根据数据记录获取订单数据集中每一单订单对应的订单生成时间和订单取消时间。
步骤304、确定每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值。
该步骤中,针对每一单订单的订单生成时间和订单取消时间,计算订单生成时间和订单取消时间的差值,即本订单的有效时间,对比预设阈值,检测所述订单的有效时间是否小于预设阈值。
这里,预设阈值可以根据服务平台提供的服务的性质的不同,设置不同的阈值,也可以统一设置同一个阈值。比如对于外卖服务这种偏实时性的服务,阈值可以设置小一些,比如30分钟;对于淘宝购物这种配送时间的服务,阈值可以设置的长一些,比如1天等;也可以将所有服务平台的阈值设置为同一个,可以以所需服务时间最短的服务平台时间为基准。
步骤305、对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
该步骤中,如果该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,则该订单的有效期过短,对于该订单的取消理由存在疑义,确定该订单为异常订单。
步骤306、检测所述订单数据集中异常订单的数量是否大于预设阈值。
步骤307、若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
其中,步骤301、步骤302、步骤306和步骤307的描述可以参照步骤201至步骤204的描述,并且能达到相同的技术效果,对此不做赘述。
进一步的,步骤301包括:
在所述账号数据信息中,确定各服务平台中的每个账号的账号名称和账号头像;获取每个帐号头像中指示的用户图片;将用户图片相同,并且账号名称相同的账号,确定为目标账号。
该步骤中,在账号数据信息中,记录了每个服务平台中的每一个账号的名称和账号头像,根据账号的不同,确定每一个账号的账号名称和账号头像,其中账号头像是由用户图片构成的,经过图像识别技术确定相同的账号头像,通过文字识别确定相同的账号名称,将跨服务平台中的具有相同账号头像和账号名称的账号确定为目标账号。
进一步的,在步骤305之前,还包括:
获取每一单订单的订单时间中的订单完成时间;确定每一单订单的订单生成时间和订单完成时间之间的时间差是否小于预设差值;所述对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单,包括:对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值,确定该订单为异常订单。
该步骤中,目标账号在经过服务平台下单的时候,服务平台后台会针对每一单订单生成一条数据记录,该数据记录中记录下单的用户账号信息,以及针对此单订单,用户进行操作的每一个时间点,获取数据中的订单完成时间,该步骤中,针对每一单订单的订单生成时间和订单取消时间,计算订单生成时间和订单完成时间的差值,即本订单的完整完成时间,对比预设阈值,检测所述订单的完整完成时间是否小于预设阈值,如果该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值则该订单的有效期过短,对于该订单存在疑义,确定该订单为异常订单。
这里,预设阈值可以根据服务平台提供的服务的性质的不同,设置不同的阈值,也可以统一设置同一个阈值。比如对于外卖服务这种偏实时性的服务,阈值可以设置小一些,比如30分钟;对于淘宝购物这种配送时间的服务,阈值可以设置的长一些,比如1天等;也可以将所有服务平台的阈值设置为同一个,可以以所需服务时间最短的服务平台时间为基准。
进一步的,在步骤307之后,所述异常用户的识别方法还包括:
将确定的异常用户划分至同一用户集中;基于所述用户集中的各异常用户的账号名称,生成异常用户名单。
该步骤中,在基于各服务平台确定了多个异常用户之后,将所述异常用户划分至同一用户集中,根据上述用户集中的多个用户的用户的账号名称,生成异常用户名单,将所述用户名单展示给各服务平台的后台,提醒各服务平台的后台,在进行用户的数据统计的时候,综合考虑异常用户的数据情况。
申请实施例提供的异常用户的识别方法,基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;获取所述目标账号在同一类服务平台中的订单数据集;获取所述订单数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;确定每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单;检测所述订单数据集中异常订单的数量是否大于预设阈值;若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
这样,通过各服务平台的账号数据信息,确定目标账号以及目标账号订单数据集,并根据订单数据集中的每一单的订单生成时间和订单取消时间,确定目标账号中的异常数据,跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
请参阅图4和图5,图4为本申请实施例所提供的一种异常用户的识别装置的结构示意图之一,图5为本申请实施例所提供的一种异常用户的识别装置的结构示意图之二。如图4中所示,所述识别装置400包括:
第一确定模块401,用于基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像。
第一获取模块402,用于获取所述第一确定模块401确定的目标账号在同一类服务平台中的订单数据集。
检测模块403,用于检测所述第一获取模块402获取的订单数据集中异常订单的数量是否大于预设阈值。
第二确定模块404,用于若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
进一步的,如图5所示,所述异常用户的识别装置400还包括:
第二获取模块405,用于获取所述数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;
第三确定模块406,用于确定所述第二获取模块405获取的每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;
第四确定模块407,用于对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
第三获取模块408,用于获取每一单订单的订单时间中的订单完成时间。
第五确定模块409,用于确定每一单订单的订单生成时间和订单完成时间之间的时间差是否小于预设差值。
划分模块410,用于将确定的异常用户划分至同一用户集中。
生成模块411,用于基于所述用户集中的各异常用户的账号名称,生成异常用户名单。
进一步的,所述第一确定模块401在基于各服务平台的账号数据信息,确定目标账号时,包括:
在所述账号数据信息中,确定各服务平台中的每个账号的账号名称和账号头像;获取每个帐号头像中指示的用户图片;将用户图片相同,并且账号名称相同的账号,确定为目标账号。
进一步的,所述第四确定模块407在对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单时,包括:
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值,确定该订单为异常订单。
本申请实施例提供的异常用户的识别装置,基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;获取所述目标账号在同一类服务平台中的订单数据集;检测所述订单数据集中异常订单的数量是否大于预设阈值;若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
这样,通过跨服务平台统计同一用户的异常订单数量,可以在预设阈值范围内更准确的确定异常用户,并且不用分别在各服务平台统计订单数量,有助于提高异常用户识别的准确率和效率。
请参阅图6,图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示,所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令,当电子设备600运行时,所述处理器610与所述存储器620之间通过总线630通信,所述机器可读指令被所述处理器610执行时,可以执行如上述图2以及图3所示方法实施例中的异常用户的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的异常用户的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种异常用户的识别方法,其特征在于,所述识别方法包括:
基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;
获取所述目标账号在同一类服务平台中的订单数据集;
检测所述订单数据集中异常订单的数量是否大于预设阈值;
若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
2.根据权利要求1所述的识别方法,其特征在于,所述基于各服务平台的账号数据信息,确定目标账号,包括:
在所述账号数据信息中,确定各服务平台中的每个账号的账号名称和账号头像;
获取每个帐号头像中指示的用户图片;
将用户图片相同,并且账号名称相同的账号,确定为目标账号。
3.根据权利要求1所述的识别方法,其特征在于,在所述检测所述订单数据集中异常订单的数量是否大于预设阈值之前,所述识别方法还包括:
获取所述订单数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;
确定每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
4.根据权利要求3所述的识别方法,其特征在于,在所述确定每一单订单的订单生成时间和订单取消时间之间的时间差小于预设差值的订单为异常订单之前,所述识别方法还包括;
获取每一单订单的订单时间中的订单完成时间;
确定每一单订单的订单生成时间和订单完成时间之间的时间差是否小于预设差值;
所述对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单,包括:
对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,并且该订单的订单生成时间和订单完成时间之间的时间差小于预设差值,确定该订单为异常订单。
5.根据权利要求1所述的识别方法,其特征在于,在所述若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户之后,所述识别方法还包括:
将确定的异常用户划分至同一用户集中;
基于所述用户集中的各异常用户的账号名称,生成异常用户名单。
6.一种异常用户的识别装置,其特征在于,所述识别装置包括:
第一确定模块,用于基于各服务平台的账号数据信息,确定目标账号,其中,所述账号数据信息包括各服务平台中每个账号的账号名称和账号头像;
第一获取模块,用于获取所述第一确定模块确定的目标账号在同一类服务平台中的订单数据集;
检测模块,用于检测所述第一获取模块获取的订单数据集中异常订单的数量是否大于预设阈值;
第二确定模块,用于若所述异常订单的数量大于预设阈值,确定所述目标账号所属用户为异常用户。
7.根据权利要求6所述的识别装置,其特征在于,所述识别装置还包括:
第二获取模块,用于获取所述数据集中每一单订单的订单时间,其中,所述订单时间包括订单生成时间和订单取消时间;
第三确定模块,用于确定所述第二获取模块获取的每一单订单的订单生成时间和订单取消时间之间的时间差是否小于预设差值;
第四确定模块,用于对于每一单订单,若该订单的订单生成时间和订单取消时间之间的时间差小于预设差值,确定该订单为异常订单。
8.根据权利要求6所述的识别装置,其特征在于,所述识别装置还包括:
划分模块,用于将所述第二确定模块确定的异常用户划分至同一用户集中;
生成模块,用于基于所述划分模块划分的用户集中的各异常用户的账号名称,生成异常用户名单。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一所述的异常用户的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5中任一所述的异常用户的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669791.XA CN110390584B (zh) | 2019-07-24 | 2019-07-24 | 一种异常用户的识别方法、识别装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669791.XA CN110390584B (zh) | 2019-07-24 | 2019-07-24 | 一种异常用户的识别方法、识别装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390584A true CN110390584A (zh) | 2019-10-29 |
CN110390584B CN110390584B (zh) | 2022-05-17 |
Family
ID=68287202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910669791.XA Active CN110390584B (zh) | 2019-07-24 | 2019-07-24 | 一种异常用户的识别方法、识别装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390584B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091393A (zh) * | 2019-11-26 | 2020-05-01 | 北京摩拜科技有限公司 | 异常账号识别方法、装置及电子设备 |
CN111835730A (zh) * | 2020-06-18 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 服务账号处理方法、装置、电子设备及可读存储介质 |
CN111881304A (zh) * | 2020-07-21 | 2020-11-03 | 百度在线网络技术(北京)有限公司 | 一种作者识别方法、装置、设备和存储介质 |
CN112232656A (zh) * | 2020-10-13 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 一种业务数据的监测预警方法、设备、终端以及可读介质 |
CN112907263A (zh) * | 2021-03-22 | 2021-06-04 | 北京太火红鸟科技有限公司 | 异常订单量检测方法、装置、设备及存储介质 |
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
CN113536870A (zh) * | 2020-07-09 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种异常头像识别方法及装置 |
CN113763023A (zh) * | 2021-03-19 | 2021-12-07 | 北京京东拓先科技有限公司 | 用户识别的方法、装置、电子设备和存储介质 |
CN114596097A (zh) * | 2022-05-10 | 2022-06-07 | 富算科技(上海)有限公司 | 用户识别方法、装置、电子设备和计算机可读存储介质 |
CN114819972A (zh) * | 2022-04-25 | 2022-07-29 | 中国建设银行股份有限公司 | 一种异常交易确定方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392801A (zh) * | 2017-07-21 | 2017-11-24 | 上海携程商务有限公司 | 控制扰乱订单的方法及其装置、存储介质、电子设备 |
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
US20190028489A1 (en) * | 2017-07-21 | 2019-01-24 | Yahoo Holdings, Inc. | Method and system for detecting abnormal online user activity |
CN109522304A (zh) * | 2018-11-23 | 2019-03-26 | 中国联合网络通信集团有限公司 | 异常对象识别方法及装置、存储介质 |
KR20190068856A (ko) * | 2017-12-11 | 2019-06-19 | 주식회사 시큐센 | 확률분포 기반 웹 서비스 비정상 이용 탐지 방법, 장치 및 컴퓨터-판독가능 매체 |
-
2019
- 2019-07-24 CN CN201910669791.XA patent/CN110390584B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392801A (zh) * | 2017-07-21 | 2017-11-24 | 上海携程商务有限公司 | 控制扰乱订单的方法及其装置、存储介质、电子设备 |
US20190028489A1 (en) * | 2017-07-21 | 2019-01-24 | Yahoo Holdings, Inc. | Method and system for detecting abnormal online user activity |
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
KR20190068856A (ko) * | 2017-12-11 | 2019-06-19 | 주식회사 시큐센 | 확률분포 기반 웹 서비스 비정상 이용 탐지 방법, 장치 및 컴퓨터-판독가능 매체 |
CN109522304A (zh) * | 2018-11-23 | 2019-03-26 | 中国联合网络通信集团有限公司 | 异常对象识别方法及装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
GIANLUCA STRINGHINI等: "Detecting Spammers on Social Networks", 《TWENTY-SIXTH ANNUAL COMPUTER SECURITY APPLICATIONS CONFERENCE》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091393A (zh) * | 2019-11-26 | 2020-05-01 | 北京摩拜科技有限公司 | 异常账号识别方法、装置及电子设备 |
CN111091393B (zh) * | 2019-11-26 | 2023-09-05 | 汉海信息技术(上海)有限公司 | 异常账号识别方法、装置及电子设备 |
CN111835730A (zh) * | 2020-06-18 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 服务账号处理方法、装置、电子设备及可读存储介质 |
CN113536870A (zh) * | 2020-07-09 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种异常头像识别方法及装置 |
CN111881304A (zh) * | 2020-07-21 | 2020-11-03 | 百度在线网络技术(北京)有限公司 | 一种作者识别方法、装置、设备和存储介质 |
CN111881304B (zh) * | 2020-07-21 | 2024-04-26 | 百度在线网络技术(北京)有限公司 | 一种作者识别方法、装置、设备和存储介质 |
CN112232656A (zh) * | 2020-10-13 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 一种业务数据的监测预警方法、设备、终端以及可读介质 |
CN112232656B (zh) * | 2020-10-13 | 2024-05-24 | 中国平安人寿保险股份有限公司 | 一种业务数据的监测预警方法、设备、终端以及可读介质 |
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
CN113763023A (zh) * | 2021-03-19 | 2021-12-07 | 北京京东拓先科技有限公司 | 用户识别的方法、装置、电子设备和存储介质 |
CN113763023B (zh) * | 2021-03-19 | 2024-06-21 | 北京京东拓先科技有限公司 | 用户识别的方法、装置、电子设备和存储介质 |
CN112907263B (zh) * | 2021-03-22 | 2022-01-18 | 北京太火红鸟科技有限公司 | 异常订单量检测方法、装置、设备及存储介质 |
CN112907263A (zh) * | 2021-03-22 | 2021-06-04 | 北京太火红鸟科技有限公司 | 异常订单量检测方法、装置、设备及存储介质 |
CN114819972A (zh) * | 2022-04-25 | 2022-07-29 | 中国建设银行股份有限公司 | 一种异常交易确定方法、装置、设备及介质 |
CN114596097A (zh) * | 2022-05-10 | 2022-06-07 | 富算科技(上海)有限公司 | 用户识别方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110390584B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390584A (zh) | 一种异常用户的识别方法、识别装置及可读存储介质 | |
US8413250B1 (en) | Systems and methods of classifying sessions | |
EP1918832A2 (en) | Session based web usage reporter | |
CN109474483A (zh) | 一种设备异常情况的检测方法、检测装置及终端设备 | |
CN106156092B (zh) | 数据处理方法及装置 | |
Pravilovic et al. | Process mining to forecast the future of running cases | |
US20210136122A1 (en) | Crowdsourced innovation laboratory and process implementation system | |
CN108112038B (zh) | 一种控制访问流量的方法及装置 | |
CN105119735B (zh) | 一种用于确定流量类型的方法和装置 | |
US20140032611A1 (en) | Relationship discovery in business analytics | |
CN110852870A (zh) | 一种虚拟资源转移方法、装置、设备及可读存储介质 | |
CN108762907A (zh) | 基于多个客户端的任务处理方法及*** | |
CN110471821A (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
CN108595314A (zh) | 用户设备月活跃数计算方法、装置、终端设备及存储介质 | |
CN108629560A (zh) | 任务派发方法、电子设备及存储介质 | |
US20150363801A1 (en) | Apparatus and method for predicting the behavior or state of a negative occurrence class | |
CN110675069B (zh) | 地产行业客户签约风险预警方法、服务器及存储介质 | |
CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
CN109102324A (zh) | 模型训练方法、基于模型的红包物料铺设预测方法及装置 | |
CN110019774A (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN110413926A (zh) | 一种问卷调查方法及装置 | |
CN109450963A (zh) | 消息推送方法及终端设备 | |
CN104639427B (zh) | 一种输出邮件信息的方法及装置 | |
CN110490598A (zh) | 异常检测方法、装置、设备及存储介质 | |
CN109902698A (zh) | 信息生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |