CN113298642B - 一种订单检测方法、装置、电子设备及存储介质 - Google Patents
一种订单检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113298642B CN113298642B CN202110580257.9A CN202110580257A CN113298642B CN 113298642 B CN113298642 B CN 113298642B CN 202110580257 A CN202110580257 A CN 202110580257A CN 113298642 B CN113298642 B CN 113298642B
- Authority
- CN
- China
- Prior art keywords
- order
- target
- similarity
- time
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种订单检测方法、装置、电子设备及存储介质，属于互联网技术领域。本申请通过获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单；针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度；针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度；将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。提高检测团体欺诈行为的准确性。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种订单检测方法、装置、电子设备及存储介质。
背景技术
随着互联网的快速发展，各种传统的业务逐渐转至线上，互联网金融中的网络消费信贷逐渐成为一种流行的贷款方式，网络消费信贷的产生带来大量的电子交易数据，同时伴随着网络消费信贷欺诈数量的大量增加。
传统的检测消费信贷欺诈的方法一般是：基于历史订单数据(历史订单数据中包括：欺诈申请的订单和正常申请的订单)，采用监督学习算法建立分类模型，利用分类模型对新订单进行分析，得到新订单的欺诈概率来量化欺诈风险。也即，从历史数据中发现消费信贷欺诈时重复出现的个体的欺诈特征，基于个体的欺诈特征检测欺诈申请。
然而，随着消费信贷欺诈模式的不断演化和发展，出现越来越多的团体欺诈，团体欺诈的订单往往伴随着时间和空间上的密集与频繁或申请行为上的相似以及申请用户信息上存在关联关系等特性，在团体欺诈中个体的欺诈特征并不显著，导致仅根据个体特征检测团体欺诈申请的结果不够准确。
发明内容
本申请实施例的目的在于提供一种订单检测方法、装置、电子设备及存储介质，以解决根据个体特征检测团体欺诈申请的结果不够精确的问题。具体技术方案如下：
第一方面，提供了一种订单检测方法，所述方法包括：
获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。
在一个可能的实施方式中，所述目标订单集合中包括：一个第一目标订单和至少一个第二目标订单；所述第一目标订单中对应有多个类别的特征数据；所述第二目标订单中对应有多个类别的特征数据；
所述方法还包括：
针对任一个所述第二目标订单，将所述第二目标订单和所述第一目标订单作为一个目标订单组合，所述目标订单组合对应有一个目标团体；
针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，得到所述第一目标订单和第二目标订单的至少一个第二相似度；
基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型。
在一个可能的实施方式中，所述类别包括：第一类别、第二类别及第三类别；所述基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型，包括：
在至少一个第二相似度中，将第二相似度最大的作为目标相似度；
若所述目标相似度为所述第一类别对应的第二相似度，确定所述目标团体的类型为第一类型；
若所述目标相似度为所述第二类别对应的第二相似度，确定所述目标团体的类型为第二类型；
若所述目标相似度为所述第三类别对应的第二相似度，确定所述目标团体的类型为第三类型。
在一个可能的实施方式中，所述方法还包括：
基于预设划分条件，确定所述目标订单组合中的第一目标订单和第二目标订单的风险等级；
基于所述风险等级，确定对所述目标订单组合中的第一目标订单和第二目标订单的控制。
在一个可能的实施方式中，所述基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，包括：
基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间；
利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数；
将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
在一个可能的实施方式中，所述基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，包括：
利用余弦相似度公式基于所述第一特征数据和所述第二特征数据，确定所述第一特征数据和所述第二特征数据之间的余弦相似度，将所述余弦相似度作为所述第一订单与所述第二订单的第一相似度；
其中，所述余弦相似度公式包括：
其中，xi为第一特征数据，为第一特征数据的均值，yi为第二特征数据，/>为第二特征数据的均值。
在一个可能的实施方式中，所述方法还包括：
将所述第一特征数据和所述第二特征数据转化为数值型数据，并将所述第一特征数据和所述第二特征数据缩放至同一量纲。
第二方面，提供了一种订单检测装置，所述装置包括：
获取模块，用于获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
第一确定模块，用于针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
第二确定模块，用于针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
第三确定模块，用于将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。
在一个可能的实施方式中，所述目标订单集合中包括：一个第一目标订单和至少一个第二目标订单；所述第一目标订单中对应有多个类别的特征数据；所述第二目标订单中对应有多个类别的特征数据；
所述装置还包括：
组合模块，用于针对任一个所述第二目标订单，将所述第二目标订单和所述第一目标订单作为一个目标订单组合，所述目标订单组合对应有一个目标团体；
第四确定模块，用于针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，得到所述第一目标订单和第二目标订单的至少一个第二相似度；
第五确定模块，用于基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型。
在一个可能的实施方式中，所述类别包括：第一类别、第二类别及第三类别；所述第五确定模块，具体用于：
在至少一个第二相似度中，将第二相似度最大的作为目标相似度；
若所述目标相似度为所述第一类别对应的第二相似度，确定所述目标团体的类型为第一类型；
若所述目标相似度为所述第二类别对应的第二相似度，确定所述目标团体的类型为第二类型；
若所述目标相似度为所述第三类别对应的第二相似度，确定所述目标团体的类型为第三类型。
在一个可能的实施方式中，所述装置还包括：
第六确定模块，用于基于预设划分条件，确定所述目标订单组合中的第一目标订单和第二目标订单的风险等级；
第七确定模块，用于基于所述风险等级，确定对所述目标订单组合中的第一目标订单和第二目标订单的控制。
在一个可能的实施方式中，所述第二确定模块，具体用于：
基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间；
利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数；
将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
在一个可能的实施方式中，所述第一确定模块，具体用于：
利用余弦相似度公式基于所述第一特征数据和所述第二特征数据，确定所述第一特征数据和所述第二特征数据之间的余弦相似度，将所述余弦相似度作为所述第一订单与所述第二订单的第一相似度；
其中，所述余弦相似度公式包括：
其中，xi为第一特征数据，为第一特征数据的均值，yi为第二特征数据，/>为第二特征数据的均值。
在一个可能的实施方式中，所述装置还包括：
转换模块，用于将所述第一特征数据和所述第二特征数据转化为数值型数据，并将所述第一特征数据和所述第二特征数据缩放至同一量纲。
第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
第四方面，提供了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内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的订单检测方法。
本申请实施例有益效果：
本申请实施例提供了一种订单检测方法、装置、电子设备及存储介质，本申请首先通过第一订单对应的第一特征数据和第二订单对应的第二特征数据确定第一订单与第二订单的第一相似度，然后，通过第一订单的第一下单时间、第二订单的第二下单时间及第一订单与第二订单的第一相似度，确定第一订单与第二订单的时间衰减相似度，最后，基于时间衰减相似度分析第一订单与第二订单是否为目标订单组合。
也即，本申请针对互联网金融领域中团体欺诈行为的时空集中性和行为相似性，通过确定时间衰减相似度从时间维度和空间维度两个方面分析订单是否为团体欺诈的订单，相比较目前仅根据个体特征检测欺诈申请，通过本方案检测团体欺诈行为的结果更加准确。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种订单检测方法的流程图；
图2为本申请另一实施例提供的一种订单检测方法的流程图；
图3为本申请实施例提供的一种订单检测装置的结构示意图；
图4为本申请另一实施例提供的一种订单检测装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于，目前出现越来越多的团体欺诈，团体欺诈的订单往往伴随着时间和空间上的密集与频繁或申请行为上的相似以及申请用户信息上存在关联关系等特性，在团体欺诈中个体的欺诈特征并不显著，导致仅根据个体特征检测团体欺诈申请的结果不够精确。为此，本申请实施例提供了一种订单检测方法，可以应用于消费信贷***。
下面将结合具体实施方式，对本申请实施例提供的一种订单检测方法进行详细的说明，如图1所示，具体步骤如下：
S101，获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据。
在本申请实施例中，第一订单和第二订单指对象在提供消费信贷服务的平台上申请贷款的订单，第一特征数据指第一订单的特征数据，第二特征数据指第二订单的特征数据。
考虑到团体欺诈的订单往往伴随着时间和空间上的密集与频繁，在检测团体欺诈的订单时，需要基于一段时间内的订单集合检测其中是否存在团体欺诈的订单，因此需要获取预设时间段内的订单集合。订单集合中包括一个第一订单和至少一个第二订单，其中，第一订单为订单集合中最新下单的订单，第二订单为订单集合中下单时间在第一订单下单时间之前的订单。
S102，针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度。
在本申请实施例中，第一相似度指第一订单和第二订单在空间维度的相似度。消费信贷***可以针对任一个第二订单，基于对应的第一特征数据和第二特征数据，确定第一订单与第二订单的第一相似度，得到至少一个第一相似度，其中每个第二订单对应一个第一相似度。
在本申请实施例的一种实施方式中，可以利用余弦相似度公式基于所述第一特征数据和所述第二特征数据，确定所述第一特征数据和所述第二特征数据之间的余弦相似度，将所述余弦相似度作为所述第一订单与所述第二订单的第一相似度；
其中，所述余弦相似度公式包括：
其中，xi为第一特征数据，为第一特征数据的均值，yi为第二特征数据，/>为第二特征数据的均值。
S103，针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度。
在本申请实施例中，时间衰减相似度指第一订单和第二订单在空间维度及时间维度的相似度。消费信贷***可以针对任一个第二订单，基于对应的第一订单的第一下单时间、第二订单的第二下单时间及第一订单与第二订单的第一相似度，确定第一订单与第二订单的时间衰减相似度，得到至少一个时间衰减相似度，其中每个第二订单对应一个时间衰减相似度。
S104，将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。
在本申请实施例中，若时间衰减相似度小于或等于预设阈值，表示第一订单和第二订单不是同一个欺诈团体申请的欺诈订单，若时间衰减相似度大于预设阈值，表示第一订单和第二订单是同一个欺诈团体申请的欺诈订单。消费信贷***中预先设置了阈值，比较每个时间衰减相似度与预设阈值，将时间衰减相似度大于预设阈值的第二订单，以及第一订单，确定为目标订单集合，目标订单集合即欺诈订单集合。
本申请实施例中，针对互联网金融领域中团体欺诈行为的时空集中性和行为相似性，通过确定时间衰减相似度从时间维度和空间维度两个方面分析订单是否为团体欺诈的订单，相比较目前仅根据个体特征检测欺诈申请，通过本方案检测团体欺诈行为的结果更加准确。
在本申请的又一实施例中，所述方法还可以包括以下步骤：
S201，针对任一个所述第二目标订单，将所述第二目标订单和所述第一目标订单作为一个目标订单组合，所述目标订单组合对应有一个目标团体。
在本申请实施例中，目标订单集合中包括：一个第一目标订单和至少一个第二目标订单，针对任一个第二目标订单，将第二目标订单和第一目标订单作为一个目标订单组合，该目标订单组合对应有一个目标团体，目标订单集合包括至少一个目标订单组合。该目标订单组合中的第一目标订单和第二目标订单为该目标团体申请的订单。
S202，针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，得到所述第一目标订单和第二目标订单的至少一个第二相似度。
在本申请实施例中，第一目标订单中对应有多个类别的特征数据；第二目标订单中对应有多个类别的特征数据，从特征数据的类别维度确定每个类别对应的第一目标订单和第二目标订单的第二相似度。针对任一个目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定该类别对应的第一目标订单和第二目标订单的第二相似度，得到第一目标订单和第二目标订单的至少一个第二相似度。
在一个示例中，第一目标订单A对应有第一类别的特征数据a1和第二类别的特征数据a2，第二目标订单B对应有第一类别的特征数据b1和第二类别的特征数据b2。针对第一类别的特征数据，将a1和b1代入预设相似度公式中，可以得到第一类别对应的A和B的一个第二相似度；针对第二类别的特征数据，将a2和b2代入预设相似度公式中，可以得到第二类别对应的A和B的另一个第二相似度。
S203，基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型。
在本申请实施例中，第二相似度是基于特征数据的类别维度确定的，因此可以基于第二相似度确定每个类别维度下目标订单组合中的第一目标订单和第二目标订单的相似情况，进而确定与目标订单组合对应的目标团体的团体类型。
本申请实施例中，针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，基于第二相似度可以确定每个类别维度下目标订单组合中的第一目标订单和第二目标订单的相似情况，进而确定与目标订单组合对应的目标团体的团体类型，从而便于对目标团体的分析。
在本申请的又一实施例中，所述S203，可以包括以下步骤：
步骤一，在至少一个第二相似度中，将第二相似度最大的作为目标相似度。
在本申请实施例中，特征数据的类别包括：第一类别、第二类别及第三类别。第一类别、第二类别及第三类别分别对应一个第二相似度，在三个第二相似度中，将第二相似度最大的作为目标相似度。
步骤二，若所述目标相似度为所述第一类别对应的第二相似度，确定所述目标团体的类型为第一类型。
在本申请实施例中，第一类别的特征数据可以是用户的行为特征数据，第一类型可以是软件攻击型(网络攻击型)。用户的行为特征数据指：由用户埋点数据所衍生出来的用户行为特征，比如：“用户在下单前1分钟内点击多少次”、“用户在下单前1分钟内退回多少次”等。
若目标相似度为第一类别对应的第二相似度，说明第一目标订单和第二目标订单之间用户的行为相似度很高，此时一般可以认定目标团体的类型为软件攻击型(网络攻击型)，软件攻击型(网络攻击型)的订单通常是利用代码或者软件模拟人进行操作，并采用不同的账号信息，对贷款进行多次、频繁地申请，产生大量订单，故而这类订单常常表现为在申请前的“登录”、“点击”、“回退”、“退出”等行为数据的相似甚至一模一样。
优选的，还可以加入第一目标订单和第二目标订单的下单间隔时间作为确定目标团体类型的依据，当目标相似度为第一类别对应的第二相似度时，且第一目标订单和第二目标订单的下单间隔时间在毫秒级别时，确定目标团体的类型为软件攻击型(网络攻击型)。
步骤三，若所述目标相似度为所述第二类别对应的第二相似度，确定所述目标团体的类型为第二类型。
在本申请实施例中，第二类别的特征数据可以是基础特征数据，第二类型可以是中介型或职业型。中介型指：欺诈者以中介的形式，虚构包装客户个人资产信息，许诺客户帮助获取贷款。职业型指：多名欺诈者以职业欺诈团伙的形式，直接对放款机构进行欺诈行为，不仅对某一机构产生订单，并且在多家不同放款机构产生订单。比如：职业团伙欺诈者在某一平台上申请了放款，基于短期内大多数放款机构不会对同一申请人进行多次放款，故而在某一家放款机构成功申请放款后，又会在其他放款机构申请放款，由此与多家放款机构产生关联。
基础特征数据指：由前端页面可以直接获取的特征，如：号码归属地信息、工作及教育程度等信息。若目标相似度为第二类别对应的第二相似度，说明第一目标订单和第二目标订单之间基础特征相似度高，说明第一目标订单和第二目标订单对应的用户在现实生活中存在关联，因此一般可以认定目标团体的类型为中介型或职业型。
步骤四，若所述目标相似度为所述第三类别对应的第二相似度，确定所述目标团体的类型为第三类型。
在本申请实施例中，第三类别的特征数据可以是外部机构关联特征数据，第三类型可以是职业型。外部机构关联特征数据指：由其他第三方提供的外部数据，包括共债与催收等数据。
若目标相似度为第三类别对应的第二相似度，说明第一目标订单和第二目标订单之间外部机构关联特征相似度高，说明该目标团体可能已在多个平台上作案，因此一般可以认定目标团体的类型为职业型。
本申请实施例中，通过确定第二相似度中最大的相似度对应的特征数据的类别，可以确定目标团体的类型，从而可以减少人为分析，提高分析欺诈团体的效率。
在本申请又一实施例中，所述方法还可以包括以下步骤：
步骤一，若任意两个目标订单组合对应的目标团体的类型相同，则确定所述两个目标订单组合对应的目标团体为同一个目标团体。
在本申请实施例的中，若任意两个目标订单组合对应的目标团体的类型相同，则确定这两个目标订单组合对应的目标团体为同一个目标团体。示例性的，目标订单组合A对应的目标团体A，目标团体A的类型为第一类型，目标订单组合B对应的目标团体B，目标团体B的类型也为第一类型，则确定目标团体A和目标团体B是同一个目标团体。通过本方案可以确定同一个目标团体申请的所有订单，便于分析该目标团体的具体申请情况。
在本申请又一实施例中，所述方法还可以包括以下步骤：
针对任一所述目标团体，基于所述目标团体对应的第一目标订单、所述目标团体对应的第二目标订单及所述第一目标订单和第二目标订单的第二相似度，生成目标团体报告。
在本申请实施例中，报告的内容可以包括：目标团体基本信息，相似订单信息，相似订单特征详情，具体的：团伙基本信息主要包括：团伙当前关联用户数、关联用户总订单数、关联用户订单、团伙基本信息、团伙风险等级；相似订单信息主要包括：相似订单数、订单相似度、订单时间衰减相似度、子集特征相似度、订单的间隔时间；相似订单特征详情：包括相似订单在***内所有特征及其结果。
针对任一目标团体，可以基于该目标团体对应的第一目标订单、该目标团体对应的第二目标订单及第一目标订单和第二目标订单的第二相似度，生成目标团体报告。通过本方案生成目标团体报告，可以便于风控人员分析目标团体。
在本申请又一实施例中，所述方法还可以包括以下步骤：
步骤一，基于预设划分条件，确定所述目标订单组合中的第一目标订单和第二目标订单的风险等级。
在本申请实施例中，预设划分条件可以是目标订单组合对应的目标团体的人数或目标订单组合中第一目标订单和第二目标订单的相似度。基于预设划分条件，可以确定目标订单组合中的第一目标订单和第二目标订单的风险等级。
示例性的，预设划分条件为目标团体人数超过5人时，风险等级为高级；目标订单组合A对应的目标团体A的人数为6人，则确定目标订单组合A中的第一目标订单和第二目标订单的风险等级为高级。
步骤二，基于所述风险等级，确定对所述目标订单组合中的第一目标订单和第二目标订单的控制。
在本申请实施例中，可以基于风险等级，确定对目标订单组合中的第一目标订单和第二目标订单的控制。例如，订单B的风险等级为高级时，可以将其划分为异常订单，并将其信息推送给风控人员。
本申请实施例中，可以划分目标订单的风险等级，并根据风险等级对目标订单进行控制，避免因人员操作不及时，导致对目标订单处理不及时，造成放款损失。
在本申请又一实施例中，所述S103，可以包括以下步骤：
步骤一，基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间。
在本申请实施例中，可以基于第一下单时间和第二下单时间，确定第一订单和第二订单的下单间隔时间。
步骤二，利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数。
在本申请实施例中，需要预先根据历史团体欺诈的订单样本确定衰减因子k，确定过程为：从历史团体欺诈的订单样本中，取前后两笔订单的最大时间间隔，假设最大时间间隔为10天，则可设定t＝10，T则由风控决策人员通过需要所取的阈值给出，假设T＝0.9，其含义为：在30天内，两笔订单所对应的相似度衰减了10％，将t和T代入公式中，即可求得衰减因子k。
得到衰减因子k的值之后，确定第一订单和第二订单的时间衰减系数时，只需将第一订单和第二订单的下单间隔时间t代入公式T＝e-kt，则可求得时间衰减系数T，求得的时间衰减系数在[0，1]内，越接近0衰减程度越大，越接近1衰减程度越小。
步骤三，将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
在本申请实施例中，得到时间衰减系数后，即可计算第一相似度与时间衰减系数的乘积，并将该乘积作为第一订单和第二订单的时间衰减相似度。
本申请实施例中，利用预设时间衰减公式基于所述第一订单和所述第二订单的下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数；将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。通过本方案可以确定第一订单和第二订单的时间衰减相似度，通过时间衰减相似度可以从时间维度和空间维度两个方面分析订单是否为团体欺诈的订单，使分析结果更准确。
在本申请又一实施例中，所述方法还可以包括以下步骤：
步骤一，将所述第一特征数据和所述第二特征数据转化为数值型数据，并将所述第一特征数据和所述第二特征数据缩放至同一量纲。
在本申请实施例中，在利用第一特征数据和第二特征数据进行分析之前需要先进行数据处理和转换，将第一特征数据和第二特征数据转化为同一量纲的数值型数据。具体过程为：首先，将不能直接进行数学计算的数据处理成可以进行数学计算的数据，比如“男”、“女”等类别型数据，转化成“1”、“0”等数值型数据；然后，将数据进行数据缩放，统一量纲。
在本申请实施例的一种实施方式中，可以将第一特征数据和第二特征数据对应的数值型数据代入转换公式中，将所有数据缩放至[-1，1]，
其中，转换公式具体如下：其中，x*为转换后的数据，x为转换前的数据，mean为平均值，max为最大值，min为最小值。通过本方案可以将第一特征数据和第二特征数据转化为同一量纲的数值型数据，便于后续分析。
本申请实施例中，针对互联网金融领域中团体欺诈行为的时空集中性和行为相似性，通过确定时间衰减相似度从时间维度和空间维度两个方面分析订单是否为团体欺诈的订单，相比较目前仅根据个体特征检测欺诈申请，通过本方案检测团体欺诈行为的结果更加准确。
基于相同的技术构思，本申请实施例还提供了一种订单检测装置，如图3所示，该装置包括：
获取模块301，用于获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
第一确定模块302，用于针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
第二确定模块303，用于针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
第三确定模块304，用于将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。
在一个可能的实施方式中，所述目标订单集合中包括：一个第一目标订单和至少一个第二目标订单；所述第一目标订单中对应有多个类别的特征数据；所述第二目标订单中对应有多个类别的特征数据；
如图4所示，所述装置还包括：
组合模块401，用于针对任一个所述第二目标订单，将所述第二目标订单和所述第一目标订单作为一个目标订单组合，所述目标订单组合对应有一个目标团体；
第四确定模块402，用于针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，得到所述第一目标订单和第二目标订单的至少一个第二相似度；
第五确定模块403，用于基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型。
在一个可能的实施方式中，所述类别包括：第一类别、第二类别及第三类别；所述第五确定模块，具体用于：
在至少一个第二相似度中，将第二相似度最大的作为目标相似度；
若所述目标相似度为所述第一类别对应的第二相似度，确定所述目标团体的类型为第一类型；
若所述目标相似度为所述第二类别对应的第二相似度，确定所述目标团体的类型为第二类型；
若所述目标相似度为所述第三类别对应的第二相似度，确定所述目标团体的类型为第三类型。
在一个可能的实施方式中，所述装置还包括：
第六确定模块，用于基于预设划分条件，确定所述目标订单组合中的第一目标订单和第二目标订单的风险等级；
第七确定模块，用于基于所述风险等级，确定对所述目标订单组合中的第一目标订单和第二目标订单的控制。
在一个可能的实施方式中，所述第二确定模块，具体用于：
基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间；
利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数；
将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
在一个可能的实施方式中，所述第一确定模块，具体用于：
利用余弦相似度公式基于所述第一特征数据和所述第二特征数据，确定所述第一特征数据和所述第二特征数据之间的余弦相似度，将所述余弦相似度作为所述第一订单与所述第二订单的第一相似度；
其中，所述余弦相似度公式包括：
其中，xi为第一特征数据，为第一特征数据的均值，yi为第二特征数据，/>为第二特征数据的均值。
在一个可能的实施方式中，所述装置还包括：
转换模块，用于将所述第一特征数据和所述第二特征数据转化为数值型数据，并将所述第一特征数据和所述第二特征数据缩放至同一量纲。
本实施例提供的实体检测装置可以是如图3中所示的装置，可执行如图1-2中实体检测方法的所有步骤，进而实现图1-2所示实体检测方法的技术效果，具体请参照图1-2相关描述，为简洁描述，在此不作赘述。
基于相同的技术构思，本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例提供的实体检测装置可以是如图3中所示的装置，可执行如图1-2中实体检测方法的所有步骤，进而实现图1-2所示实体检测方法的技术效果，具体请参照图1-2相关描述，为简洁描述，在此不作赘述。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一订单检测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一订单检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种订单检测方法，其特征在于，所述方法包括：
获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合；
其中，所述基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，包括：
基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间；
利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数；
将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
2.根据权利要求1所述的方法，其特征在于，所述目标订单集合中包括：一个第一目标订单和至少一个第二目标订单；所述第一目标订单中对应有多个类别的特征数据；所述第二目标订单中对应有多个类别的特征数据；
所述方法还包括：
针对任一个所述第二目标订单，将所述第二目标订单和所述第一目标订单作为一个目标订单组合，所述目标订单组合对应有一个目标团体；
针对任一个所述目标订单组合中的第一目标订单和第二目标订单，基于任一类别对应的特征数据，确定所述类别对应的第一目标订单和第二目标订单的第二相似度，得到所述第一目标订单和第二目标订单的至少一个第二相似度；
基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型。
3.根据权利要求2所述的方法，其特征在于，所述类别包括：第一类别、第二类别及第三类别；所述基于至少一个所述第二相似度，确定与所述目标订单组合对应的目标团体的团体类型，包括：
在至少一个第二相似度中，将第二相似度最大的作为目标相似度；
若所述目标相似度为所述第一类别对应的第二相似度，确定所述目标团体的类型为第一类型；
若所述目标相似度为所述第二类别对应的第二相似度，确定所述目标团体的类型为第二类型；
若所述目标相似度为所述第三类别对应的第二相似度，确定所述目标团体的类型为第三类型。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于预设划分条件，确定所述目标订单组合中的第一目标订单和第二目标订单的风险等级；
基于所述风险等级，确定对所述目标订单组合中的第一目标订单和第二目标订单的控制。
5.根据权利要求1所述的方法，其特征在于，所述基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，包括：
利用余弦相似度公式基于所述第一特征数据和所述第二特征数据，确定所述第一特征数据和所述第二特征数据之间的余弦相似度，将所述余弦相似度作为所述第一订单与所述第二订单的第一相似度；
其中，所述余弦相似度公式包括：
其中，xi为第一特征数据，为第一特征数据的均值，yi为第二特征数据，/>为第二特征数据的均值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述第一特征数据和所述第二特征数据转化为数值型数据，并将所述第一特征数据和所述第二特征数据缩放至同一量纲。
7.一种订单检测装置，其特征在于，所述装置包括：
获取模块，用于获取预设时间段内的订单集合，所述订单集合中包括一个第一订单和至少一个第二订单，所述第一订单为所述订单集合中符合预设条件的订单，所述第一订单对应有第一特征数据，所述第二订单对应有第二特征数据；
第一确定模块，用于针对任一个所述第二订单，基于对应的所述第一特征数据和所述第二特征数据，确定所述第一订单与所述第二订单的第一相似度，得到至少一个第一相似度；
第二确定模块，用于针对任一个所述第二订单，基于对应的所述第一订单的第一下单时间、所述第二订单的第二下单时间及所述第一订单与所述第二订单的第一相似度，确定所述第一订单与所述第二订单的时间衰减相似度，得到至少一个时间衰减相似度；
第三确定模块，用于将时间衰减相似度大于预设阈值的第二订单，以及所述第一订单，确定为目标订单集合；
其中，所述第二确定模块，具体用于：
基于所述第一下单时间和所述第二下单时间，确定第一订单和所述第二订单的下单间隔时间；
利用预设时间衰减公式基于所述下单间隔时间，确定所述第一订单和所述第二订单的时间衰减系数，
其中，所述预设时间衰减公式包括：T＝e-kt，其中，T为时间衰减系数，k为衰减因子，t为时间周期，e为自然底数；
将所述第一相似度与所述时间衰减系数的乘积，作为时间衰减相似度。
8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
9.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580257.9A CN113298642B (zh) | 2021-05-26 | 2021-05-26 | 一种订单检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580257.9A CN113298642B (zh) | 2021-05-26 | 2021-05-26 | 一种订单检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298642A CN113298642A (zh) | 2021-08-24 |
| CN113298642B true CN113298642B (zh) | 2024-02-23 |
Family
ID=77325234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110580257.9A Active CN113298642B (zh) | 2021-05-26 | 2021-05-26 | 一种订单检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298642B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570348A (zh) * | 2021-09-26 | 2021-10-29 | 山东光辉人力资源科技有限公司 | 一种简历筛选方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145993A1 (zh) * | 2015-03-13 | 2016-09-22 | 阿里巴巴集团控股有限公司 | 一种用户设备识别方法及*** |
| CN106886915A (zh) * | 2017-01-17 | 2017-06-23 | 华南理工大学 | 一种基于时间衰减采样的广告点击预估方法 |
| CN107341716A (zh) * | 2017-07-11 | 2017-11-10 | 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 |
| CN109710623A (zh) * | 2018-12-10 | 2019-05-03 | 杭州爱聚科技有限公司 | 一种智能订单同步方法 |
| WO2019157335A1 (en) * | 2018-02-08 | 2019-08-15 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for detecting pathogenic social media accounts without content or network structure |
| US10693855B1 (en) * | 2016-03-31 | 2020-06-23 | EMC IP Holding Company LLC | Fraud detection |
| CN111539734A (zh) * | 2020-04-20 | 2020-08-14 | 车主邦（北京）科技有限公司 | 一种面向用户的风险控制方法 |
| CN111612594A (zh) * | 2020-06-03 | 2020-09-01 | 天天向上(北京)网络科技有限公司 | 本地化电商零售*** |
| CN112163932A (zh) * | 2020-09-30 | 2021-01-01 | 中国民航信息网络股份有限公司 | 恶意占座订单的识别方法、装置及电子设备 |
| CN112308566A (zh) * | 2020-09-27 | 2021-02-02 | 中智关爱通（上海）科技股份有限公司 | 一种企业欺诈识别方法 |
-
2021
- 2021-05-26 CN CN202110580257.9A patent/CN113298642B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145993A1 (zh) * | 2015-03-13 | 2016-09-22 | 阿里巴巴集团控股有限公司 | 一种用户设备识别方法及*** |
| US10693855B1 (en) * | 2016-03-31 | 2020-06-23 | EMC IP Holding Company LLC | Fraud detection |
| CN106886915A (zh) * | 2017-01-17 | 2017-06-23 | 华南理工大学 | 一种基于时间衰减采样的广告点击预估方法 |
| CN107341716A (zh) * | 2017-07-11 | 2017-11-10 | 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 |
| WO2019157335A1 (en) * | 2018-02-08 | 2019-08-15 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for detecting pathogenic social media accounts without content or network structure |
| CN109710623A (zh) * | 2018-12-10 | 2019-05-03 | 杭州爱聚科技有限公司 | 一种智能订单同步方法 |
| CN111539734A (zh) * | 2020-04-20 | 2020-08-14 | 车主邦（北京）科技有限公司 | 一种面向用户的风险控制方法 |
| CN111612594A (zh) * | 2020-06-03 | 2020-09-01 | 天天向上(北京)网络科技有限公司 | 本地化电商零售*** |
| CN112308566A (zh) * | 2020-09-27 | 2021-02-02 | 中智关爱通（上海）科技股份有限公司 | 一种企业欺诈识别方法 |
| CN112163932A (zh) * | 2020-09-30 | 2021-01-01 | 中国民航信息网络股份有限公司 | 恶意占座订单的识别方法、装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| Research of Trust Management in Web Services Based on Feedback and Time Decay;Guoping Zhang;2009 International Symposium on Computer Network and Multimedia Technology;全文 * |
| 一种P2P文件共享网络高精度自适应声誉机制;王淼;软件学报;第22卷(第10期);全文 * |
| 订单分配模型及其在旧物回收***中的应用;张鑫;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298642A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10572885B1 (en) | Training method, apparatus for loan fraud detection model and computer device | |
| CN109522190B (zh) | 异常用户行为识别方法及装置、电子设备、存储介质 | |
| CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
| CN110728323A (zh) | 目标类型用户的识别方法、装置、电子设备及存储介质 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN108197795B (zh) | 恶意团体账户识别方法、装置、终端及存储介质 | |
| CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
| CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
| CN113298642B (zh) | 一种订单检测方法、装置、电子设备及存储介质 | |
| CN111695938A (zh) | 产品推送方法及*** | |
| CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
| CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
| CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
| CN116151840B (zh) | 一种基于大数据的用户服务数据智能管理***及方法 | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| Zeng | [Retracted] Research on Risk Measurement and Early Warning of Electronic Banking Business Based on GMDH Algorithm | |
| CN114626863A (zh) | 出口骗税企业的检测方法、装置、设备及存储介质 | |
| CN111429257B (zh) | 一种交易监控方法和装置 | |
| CN115330490A (zh) | 一种产品推荐方法、装置、存储介质及设备 | |
| CN114881783A (zh) | 一种异常卡识别方法、装置、电子设备及存储介质 | |
| CN115170153A (zh) | 一种基于多维属性的工单处理方法、装置及存储介质 | |
| CN114722954A (zh) | 一种针对评价信息的内容异常处理方法和装置 | |
| CN113793210A (zh) | 网络借贷信用的评价方法、相关装置及计算机存储介质 | |
| CN111583021A (zh) | 一种计算质押率的建模方法及装置 | |
| Wang et al. | Crosscorrelation analysis between P2P lending market and stock market in China |
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 |