CN113506150A - 网络行为的监测方法、装置和计算机可读存储介质 - Google Patents
网络行为的监测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113506150A CN113506150A CN202110707705.7A CN202110707705A CN113506150A CN 113506150 A CN113506150 A CN 113506150A CN 202110707705 A CN202110707705 A CN 202110707705A CN 113506150 A CN113506150 A CN 113506150A
- Authority
- CN
- China
- Prior art keywords
- value
- transaction
- time period
- determining
- weight
- 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 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 88
- 230000006399 behavior Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 230000002354 daily effect Effects 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect 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
- 238000012545 processing Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种网络行为的监测方法、装置和计算机可读存储介质,方法包括:获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定当前日期的类型,类型包括工作日以及休息日;根据类型,确定每个时间段对应的第一权重,第一权重与类型对应的预测模型的预测效果值为正相关关系,预测效果值根据预测模型对第一输入数值进行预测得到,第一输入数值根据部分时间段的第二交易数量与第二交易数量对应的时间段的第二权重确定,时间段对应的第二权重根据类型设置;根据每个第一交易数量以及第一交易数量的第一权重得到第二输入数值;将第二输入数值输入至预测模型,得到待测对象进行恶意交易的预测结果。本发明提高了恶意交易的预测准确性。
Description
技术领域
本发明涉及电商技术领域,尤其涉及一种网络行为的监测方法、装置和计算机可读存储介质。
背景技术
随着网络的大规模普及以及网络购物的便捷,人们通过网络购买商品已成为生活中的一部分。
当客户在需要购买商品时,会注重商品的质量以及价格。一些商家为了提高商品的交易量,会对贩卖的商品进行恶意交易,使得商品的总交易量位居前列,进而可以使得电商平台将该商品优先推荐给想要购买该类型商品的客户。
目前,电商平台会统计商家的交易数据,再通过交易数据来确定商品是否进行了恶意交易。但电商平台是根据交易数量是否出现异常来判断商家是否进行恶意交易,这种方式较为简单粗暴,恶意交易的确定准确性较低。
发明内容
本发明的主要目的在于提供网络行为的监测方法、装置和计算机可读存储介质,旨在解决恶意交易的确定准确性较低的问题。
为实现上述目的,本发明提供一种网络行为的监测方法,所述网络行为的监测方法包括以下步骤:
获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日;
根据所述类型,确定每个所述时间段对应的第一权重,其中,所述第一权重与所述类型对应的预测模型的预测效果值为正相关关系,所述预测效果值根据预测模型对第一输入数值进行预测得到,所述第一输入数值根据部分时间段的第二交易数量与所述第二交易数量对应的时间段的第二权重确定,所述时间段对应的第二权重根据所述类型设置;
根据每个所述第一交易数量以及所述第一交易数量的第一权重得到第二输入数值;
将所述第二输入数值输入至所述预测模型,得到所述待测对象进行恶意交易的预测结果。
在一实施例中,所根据所述类型,确定每个所述时间段对应的第一权重的步骤之前,还包括:
在所述类型对应的日期内,获取训练目标每个时间段对应的第二交易数量;
获取各个集合,其中,所述集合包括各个所述时间段以及所述时间段对应的第二交易数量,且每个所述集合中时间段的数量与时间段的总数量的差值为1,且每个所述集合中缺少的时间段各不相同;
基于所述时间段对应的第二权重与所述集合内的所述第二交易数量,确定每个所述集合对应的第二输入数值;
将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值;
根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重。
在一实施例中,所述将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值的步骤包括:
将各个所述第二输入数值输入至所述预测模型,得到每个所述第二输入数值对应的集合缺少的时间段对应的预测影响值;
根据所述预测影响值确定所述预测影响值对应的集合的预测效果值,其中,所述预测影响值与所述预测效果值为负相关关系。
在一实施例中,所述根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重的步骤之后,还包括:
根据所述训练目标的每个时间段对应的第二交易数量以及所述时间段对应的第一权重,确定所述训练目标对应的第三输入数值;
根据每个所述训练目标对应的第三输入数值以及标签,对所述预测模型进行训练。
在一实施例中,所述获取待测对象在当前日期中每个时间段对应的第一交易数量的步骤之前,还包括:
获取所述待测对象在目标日期对应的第一交易总数量以及所述当前日期对应的第二交易总数量,其中,所述目标日期与所述当前日期的类型相同,其所述目标日期早于所述当前日期;
确定所述第一交易总数量与所述第二交易总数量之间的第一差值,并确定所述当前日期与所述目标日期之间的第二差值;
获取所述待测对象对应的交易涨幅值,并根据所述交易涨幅值以及所述第二差值确定参考数值;
在所述参考数值小于所述第一差值,且所述参考数值与所述第一差值之间的第三差值大于预设差值时,执行所述获取待测对象在当前日期中每个时间段对应的第一交易数量的步骤。
在一实施例中,所述根据所述交易涨幅值以及所述第二差值确定参考数值的步骤包括:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象对应的商品的优惠活动,并根据所述优惠活动对应的优惠金额确定补偿参数;
根据所述补偿参数与所述中间数值确定所述参考数值。
在一实施例中,所述获取所述待测对象对应的交易涨幅值的步骤包括:
获取所述待测对象与目标对象的同一商品的价格差值以及基础涨幅值;
根据所述待测对象中每种商品对应的价格差值以及所述基础涨幅值确定所述交易涨幅值。
在一实施例中,所述根据所述交易涨幅值以及所述第二差值确定参考数值的步骤包括:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象的信誉值,并根据所述信誉值调整所述中间数值得到所述参考数值。
为实现上述目的,本发明还提供一种网络行为的监测装置,所述网络行为的监测装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的网络行为的监测方法。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的网络行为的监测方法。
本发明提供的网络行为的监测方法、装置和计算机可读存储介质,装置获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定当前日期的类型,再根据类型确定每个时间段对应的第一权重,且基于每个第一交易数量以及第一交易数量对应的时间段的第一权重得到第二输入数值,最后将第二输入数值输入至类型对应的预测模型,从而预测出待测对象进行恶意交易的预测结果。本发明中,每个时间段对应的第一权重与预测效果值为正相关关系,预测效果值通过第一输入数值输入至预测模型测到,而第一输入数值为舍弃部分时间段所剩余的第二交易数量与其对应的第二权重得到,也即预测效果值表征舍弃的时间段对于恶意交易的预测准确性,因而将预测准确性较高的时间段的权重设置的较大,而预测准确性较低的权重设置的较小,提高了预测模型对恶意交易的预测准确性。此外,由于客户在工作日和休息日进行商品购买的时间段不同,因而通过与当前日期类型对应的预测模型进行恶意交易的预测,进一步提高了恶意交易的预测准确性。
附图说明
图1为本发明实施例涉及的网络行为的监测装置的硬件结构示意图;
图2为本发明网络行为的监测方法第一实施例的流程示意图;
图3为本发明网络行为的监测方法第二实施例的流程示意图;
图4为本发明网络行为的监测方法第三实施例的流程示意图;
图5为本发明网络行为的监测方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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的一部分实施例,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作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。
本发明实施例的主要解决方案是:获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日;根据所述类型,确定每个所述时间段对应的第一权重,其中,所述第一权重与所述类型对应的预测模型的预测效果值为正相关关系,所述预测效果值根据预测模型对第一输入数值进行预测得到,所述第一输入数值根据部分时间段的第二交易数量与所述第二交易数量对应的时间段的第二权重确定,所述时间段对应的第二权重根据所述类型设置;根据每个所述第一交易数量以及所述第一交易数量的第一权重得到第二输入数值;将所述第二输入数值输入至所述预测模型,得到所述待测对象进行恶意交易的预测结果。
本发明中,每个时间段对应的第一权重与预测效果值为正相关关系,预测效果值通过第一输入数值输入至预测模型测到,而第一输入数值为舍弃部分时间段所剩余的第二交易数量与其对应的第二权重得到,也即预测效果值表征舍弃的时间段对于恶意交易的预测准确性,因而将预测准确性较高的时间段的权重设置的较大,而预测准确性较低的权重设置的较小,提高了预测模型对恶意交易的预测准确性。此外,由于客户在工作日和休息日进行商品购买的时间段不同,因而通过与当前日期类型对应的预测模型进行恶意交易的预测,进一步提高了恶意交易的预测准确性。
如图1所示,图1是本发明实施例方案涉及的网络行为的监测装置的硬件结构示意图。
如图1所示,本发明实施例方案涉及是网络行为的监测装置。网络行为的监测装置可以包括:处理器101,例如CPU,通信总线102,存储器103。其中,通信总线102用于实现这些组件之间的连接通信。本领域技术人员可以理解,图1中示出的结构并不构成对网络行为的监测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器中可以包括计算机程序。
在图1所示的装置中,处理器101可以用于调用存储器103中存储的计算机程序,并执行以下操作:
获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日;
根据所述类型,确定每个所述时间段对应的第一权重,其中,所述第一权重与所述类型对应的预测模型的预测效果值为正相关关系,所述预测效果值根据预测模型对第一输入数值进行预测得到,所述第一输入数值根据部分时间段的第二交易数量与所述第二交易数量对应的时间段的第二权重确定,所述时间段对应的第二权重根据所述类型设置;
根据每个所述第一交易数量以及所述第一交易数量的第一权重得到第二输入数值;
将所述第二输入数值输入至所述预测模型,得到所述待测对象进行恶意交易的预测结果。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
在所述类型对应的日期内,获取训练目标每个时间段对应的第二交易数量;
获取各个集合,其中,所述集合包括各个所述时间段以及所述时间段对应的第二交易数量,且每个所述集合中时间段的数量与时间段的总数量的差值为1,且每个所述集合中缺少的时间段各不相同;
基于所述时间段对应的第二权重与所述集合内的所述第二交易数量,确定每个所述集合对应的第二输入数值;
将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值;
根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
将各个所述第二输入数值输入至所述预测模型,得到每个所述第二输入数值对应的集合缺少的时间段对应的预测影响值;
根据所述预测影响值确定所述预测影响值对应的集合的预测效果值,其中,所述预测影响值与所述预测效果值为负相关关系。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
根据所述训练目标的每个时间段对应的第二交易数量以及所述时间段对应的第一权重,确定所述训练目标对应的第三输入数值;
根据每个所述训练目标对应的第三输入数值以及标签,对所述预测模型进行训练。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
获取所述待测对象在目标日期对应的第一交易总数量以及所述当前日期对应的第二交易总数量,其中,所述目标日期与所述当前日期的类型相同,其所述目标日期早于所述当前日期;
确定所述第一交易总数量与所述第二交易总数量之间的第一差值,并确定所述当前日期与所述目标日期之间的第二差值;
获取所述待测对象对应的交易涨幅值,并根据所述交易涨幅值以及所述第二差值确定参考数值;
在所述参考数值小于所述第一差值,且所述参考数值与所述第一差值之间的第三差值大于预设差值时,执行所述获取待测对象在当前日期中每个时间段对应的第一交易数量的步骤。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象对应的商品的优惠活动,并根据所述优惠活动对应的优惠金额确定补偿参数;
根据所述补偿参数与所述中间数值确定所述参考数值。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
获取所述待测对象与目标对象的同一商品的价格差值以及基础涨幅值;
根据所述待测对象中每种商品对应的价格差值以及所述基础涨幅值确定所述交易涨幅值。
在一实施例中,处理器101可以调用存储器103中存储的计算机程序,还执行以下操作:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象的信誉值,并根据所述信誉值调整所述中间数值得到所述参考数值。
本实施例根据上述方案,装置获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定当前日期的类型,再根据类型确定每个时间段对应的第一权重,且基于每个第一交易数量以及第一交易数量对应的时间段的第一权重得到第二输入数值,最后将第二输入数值输入至类型对应的预测模型,从而预测出待测对象进行恶意交易的预测结果。本发明中,每个时间段对应的第一权重与预测效果值为正相关关系,预测效果值通过第一输入数值输入至预测模型测到,而第一输入数值为舍弃部分时间段所剩余的第二交易数量与其对应的第二权重得到,也即预测效果值表征舍弃的时间段对于恶意交易的预测准确性,因而将预测准确性较高的时间段的权重设置的较大,而预测准确性较低的权重设置的较小,提高了预测模型对恶意交易的预测准确性。此外,由于客户在工作日和休息日进行商品购买的时间段不同,因而通过与当前日期类型对应的预测模型进行恶意交易的预测,进一步提高了恶意交易的预测准确性。
基于网络行为的监测装置的结构,提出本发明网络行为的监测方法的实施例。
参照图2,图2为本发明网络行为的监测方法的第一实施例,所述网络行为的监测方法包括以下步骤:
步骤S10,获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日;
在本实施例中,执行主体为网络行为的监测装置。为了便于描述,以下采用装置指代网络行为的监测装置。网络行为指的是商家与客户之间的交易行为。装置获取待测对象在当前日期中每个时间段对应的第一交易数量。待测对象为在电商平台开设商铺进行商铺销售的店家,当前日期可以是具有24小时的完整销售数据的任意一天,例如,可以是昨天、前天等。
在本实施例中,将每天分割为多个时间段,例如,可以将一天分为24小时,或者12个时辰,又或者是上午、下午、晚上、凌晨四个时间段。
待测对象的交易数据被平台进行监管,且交易数据至少包括有交易进行的时间、交易的阶段等,交易的阶段包括商品待付款、商品已付款等。装置将交易数据进行解析,再统计当天日期中每个时间段完成的交易数量,交易数量指的是已完成付款的交易阶段的商品的数量,并将每个时间段对应的交易数量定义为第一交易数量。
装置还需要确定当天日期的类型。类型指的是工作日或者休息日,休息日包括周末以及法定节假日,工作日即为周一至周五。
步骤S20,根据所述类型,确定每个所述时间段对应的第一权重,其中,所述第一权重与所述类型对应的预测模型的预测效果值为正相关关系,所述预测效果值根据预测模型对第一输入数值进行预测得到,所述第一输入数值根据部分时间段的第二交易数量与所述第二交易数量对应的时间段的第二权重确定,所述时间段对应的第二权重根据所述类型设置;
装置需要结合商家在每个时间段的商品销售情况来确定待测对象是否进行了恶意交易,每个时间段的销售情况不同,故,装置确定每个时间段对应的第一权重。而客户在不同类型的日期对于商品的购买时间段是不同的。具体的,一般在网上进行商品购买的大部分为年轻人,也即在工作日的常规8小时内,商家的商品销售量是较低的;而在晚上设置于凌晨2点之前,商品销售量是较高的。因此,对于不同类型的日期,需要采用不同的策略监控商家的网络行为。也即装置需要基于当前日期的类型确定每个时间段的第一权重。例如,工作日的9点到10点为正常上班时间,待测对象在该时间段的销售情况较低;而休息日的9点到10点为客户清醒时候,待测对象在该时间段的销售情况良好;故,工作日的9点到10点所对应的权重是小于休息日的9点到10点对应的权重的。
不同类型的时间段所对应的第一权重存储于装置内,装置即可基于当前日期的类型确定每个时间段对应的权重。
此外,第一权重除了与类型相关,还与预测效果值相关,且第一权重与预测效果值为正相关关系。具体的,预测效果值指的是预测模型对第一输入数值进行预测得到,第一输入数值为部分时间段的第二交易数量与第二交易数量对应的时间段的第二权重确定。装置先基于大数据对每个时间段的交易数量进行统计,从而分析出不同类型的日期下的每个时间段的交易规律,基于该类型下的日期的交易规律对每个时间段设置对应的第二权重。交易规律可以表征为,时间段对应的交易数量的固定范围。预测模型为具有神经网络的模型,用于预测商家是否进行恶意交易,且预测模型经过训练得到。装置根据部分的时间段的第二交易数量与第二交易数量对应的第二权重得到第一输入数值,再将第一输入数值输入至预测模型,得到预测模型对该部分的时间段的数值,再通过数值与预设数值的比值确定预测效果值,预设效果值越大,则预测模型对于部分的时间段的预测效果越好。预测数值是通过预测模型对完整的时间段的第二交易数量与第二交易数量得到的第三数值进行预测得到。通过预测效果值,装置可以得知舍弃的时间段对于预测模型的整体的预测准确性影响是否大,若是预测效果值较大,则舍弃的时间段对于预测结果影响较小,则舍弃的时间段的第二权重可以减小,若是预测效果值较小,则舍弃的时间段对于预测结果影响较大,则舍弃的时间段的第二权重可以增大。由此,可以基于预测效果值对每个时间段的第二权重进行修正得到每个时间段对应的第一权重。
步骤S30,根据每个所述第一交易数量以及所述第一交易数量的第一权重得到第二输入数值;
在确定第一权重后,装置根据每个第一交易数量与第一交易数量的第一权重得到第二输入数值。第一交易数量的第一权重即为第一交易数量对应的时间段的第一权重。第二输入数值可以为一个特征向量,也即每个时间段的第一交易数量与对应的第一权重得到一个数值,而每个时间段在特征向量具有对应的维度,基于各个维度与维度对应的数值即可构建成第二输入数值。需要说明的是,第一输入数值也为特征向量,但该特征向量中剩余时间段对应的维度的数值不为0,而舍弃的时间段对应的维度下的数值为0。
步骤S40,将所述第二输入数值输入至所述预测模型,得到所述待测对象进行恶意交易的预测结果。
装置将第二输入数值输入至预测模型,预测模型即可基于第二输入数值预测得到一个预测数值,在确定预测数值所处的区间,基于该区间即可得到待测对象进行恶意交易的预测结果。预测结果为“是”和“否”,也即预测结果可以理解为待测对象进行了恶意交易;或者预测结果为待测对象未进行恶意交易。恶意交易可以是待测对象的恶意刷单行为。
在本实施例提供的技术方案中,装置获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定当前日期的类型,再根据类型确定每个时间段对应的第一权重,且基于每个第一交易数量以及第一交易数量对应的时间段的第一权重得到第二输入数值,最后将第二输入数值输入至类型对应的预测模型,从而预测出待测对象进行恶意交易的预测结果。本发明中,每个时间段对应的第一权重与预测效果值为正相关关系,预测效果值通过第一输入数值输入至预测模型测到,而第一输入数值为舍弃部分时间段所剩余的第二交易数量与其对应的第二权重得到,也即预测效果值表征舍弃的时间段对于恶意交易的预测准确性,因而将预测准确性较高的时间段的权重设置的较大,而预测准确性较低的权重设置的较小,提高了预测模型对恶意交易的预测准确性。此外,由于客户在工作日和休息日进行商品购买的时间段不同,因而通过与当前日期类型对应的预测模型进行恶意交易的预测,进一步提高了恶意交易的预测准确性。
参照图3,图3为本发明网络行为的监测方法第二实施例,基于第一实施例,所述步骤S10之前,还包括:
步骤S50,在所述类型对应的日期内,获取训练目标每个时间段对应的第二交易数量;
步骤S60,获取各个集合,其中,所述集合包括各个所述时间段以及所述时间段对应的第二交易数量,且每个所述集合中时间段的数量与时间段的总数量的差值为1,且每个所述集合中缺少的时间段各不相同;
步骤S70,基于所述时间段对应的第二权重与所述集合内的所述第二交易数量,确定每个所述集合对应的第二输入数值;
步骤S80,将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值;
步骤S90,根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重。
在本实施例中,需要对每个时间段对应的第二权重进行修正。具体的,装置先获取当前日期相同类型的日期的训练目标的每个时间段的第二交易数量。训练目标为商家,且该商家为已知晓该商家是否进行恶意交易的商家。
装置获取各个集合。具体的,装置将所有的时间段以及时间段对应的第二交易数量作为一个大集合,然后,装置依次将大集合中的每个时间段以及时间段对应的第二交易数量去掉,即可得到各个集合。可以理解的是,集合包括各个时间段以及时间段对应的第二交易数量,且每个集合中时间段的数量与时间段的总数量的差值为1,且每个集合中缺少的时间段各不相同。
每个集合即可得到对应的第二输入数值,第二输入数值的确定方式参照前文描述,在此不再进行赘述。
装置将各个第二输入数值输入至类型对应的预测模型,即可得到每个集合对应的预测效果值。最后通过各个预测效果值调整时间段的权重得到第一权重。例如,可以第一个集合的预测效果值较大,则提高第一个集合中时间段的第二权重,且减小缺少的时间段的第二权重;然后第二集合的预测效果值较小,则减小第二个集合中每个时间段对应的第二权重,并增大第二个集合缺少的时间段的第二权重;需要说明的是,第二个集合中时间段的第二权重为第一个集合中每个时间段修正后的权重。以此类推,最终得到每个时间段对应的第一权重。
每个集合缺少一个时间段,那么预测效果值越大,预测效果值对应的集合所缺少的时间段对预测准确性的影响较小,因而,可以将该缺少的时间段的权重设置的较小,也即减小缺少的时间段的第二权重得到第一权重;同理,可以将预测准确性影响大的权重设置的较大,也即增大缺少的时间段的第二权重得到第一权重。对此,可以设置预测影响值,预测影响值即为第二输入数值对应的集合所缺少的时间段对应的预测影响值,再根据预测影响值确定预测影响值对应的集合的预测效果值,预测影响值与预测效果值为负相关关系。
此外,在将每个时间段的权重修正为第一权重后,需要重新对预测模型进行训练,从而更新预测模型,以提高预测模型的预测准确性。具体的,装置将训练目标的每个时间段对应的第二交易数量与时间段对应的第一权重得到训练目标对应的第三输入数值,第三输入数值的确定方式与第二输入数值的确定方式相同,在此不再进行赘述。装置则可确定每个训练目标的第三输入数值,且每个训练目标具有对应的标签,标签为训练对象是否进行恶意交易的说明,例如,标签为是或者否。装置将每个训练对应的第三输入数值以及标签,对预测模型进行训练,即可完成预测模型的更新。预测模型更新后,即可对待测对象是否进行恶意交易进行预测。
需要说明的是,在本实施例中,为了便于描述,将步骤S50-S90设置于步骤S10之前,但步骤S50-S90可以位于步骤S20之前。
在本实施例提供的技术方案中,装置在类型对应的日期内获取训练目标每个时间段的第二交易数量,并获取缺少时间段的各个集合,并计算每个集合对应的第二输入数值,再通过预测模型对各个第二输入数值得到每个集合对应的预测效果值,最后通过预测效果值调整每个时间段的权重。
参照图4,图4为本发明网络行为的监测方法第三实施例,基于第一或第二实施例,所述步骤S10之前,还包括:
步骤S100,获取所述待测对象在目标日期对应的第一交易总数量以及所述当前日期对应的第二交易总数量,其中,所述目标日期与所述当前日期的类型相同,其所述目标日期早于所述当前日期;
步骤S110,确定所述第一交易总数量与所述第二交易总数量之间的第一差值,并确定所述当前日期与所述目标日期之间的第二差值;
步骤S120,获取所述待测对象对应的交易涨幅值,并根据所述交易涨幅值以及所述第二差值确定参考数值;
步骤S130,在所述参考数值小于所述第一差值,且所述参考数值与所述第一差值之间的第三差值大于预设差值时,执行所述获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日的步骤。
对于待测对象是否进行恶意交易的有初步的确定,若是确定待测对象明显没有进行恶意交易,则无需通过模型进行恶意交易的预测;若是确定待测对象有进行恶意交易的嫌疑,则需要通过预测模型进行预测,以准确预测出待测对象是否进行恶意交易。
对此,装置获取目标日期的第一交易总数量。装置已明确待测对象在目标日期中是没有进行恶意交易的,且在没有进行恶意交易各个日期中确定目标日期,目标日期可以是交易总数最多的日期。目标日期是早于当前日期,且目标日期与当期日期的类型也是相同的。
装置获取目标日期的第一交易总数量与当前日期的第二总数量之间的第一差值,同时,装置确定当前日期与目标日期之间的第二差值。第二差值即为目标日期距离当前日期的日子。
对于商家而言,随着商品的宣传,商家的商品的销售会有所增长,且每日具有对应的交易涨幅值,例如,某商家的每日交易涨幅值为0.03%。交易涨幅值与商家所售卖的商品的热度有关,也即装置会统计商家内每件商品的热度,基于热度与交易涨幅值的关系,确定每日的交易涨幅值。热度可以是商品的播放量,例如,商品的生产商为某类节目的赞助商,则商品具有对应的播放量,生产商进行赞助的节目的总播放量即可确定出商品的热度,播放量越大,交易涨幅值越大。
装置根据交易涨幅值以及第二差值的乘积即可确定交易数量的涨幅量,也即得到参考数值。装置再比对第一差值与参考数值的大小。若是参考数值小于第一差值,装置再进一步计算第一差值与参考数值之间的第三差值,若是第三差值大于预设差值时,即可确定待测对象有恶意交易的行为,此时,装置再执行步骤S100-步骤S130。预设差值为一个预估值,第三差值大于该预估值,即可说明待测对象的交易数据明显异常。
在本实施例提供的技术方案中,装置确定待测对象在目标日期的第一交易总数量与当前日期的第二交易总数量之间的第一差值,且确定目标日期与当前日期的第二差值,再确定待测对象的交易涨幅量,并基于交易涨幅值与第二差值确定参考数值,若是参考数值小于第一差值,且参考数值与第一差值之间的第三差值小于预设差值,即可确定待测对象的交易出现异常,装置再对待测对象是否进行恶意交易进行预测,避免装置对正常的交易数据进行预测,节省装置的计算资源。
参照图5,图5为本发明网络行为的监测方法的第四实施例,基于第三实施例,所述步骤S120包括:
步骤S121,根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
步骤S122,获取所述待测对象对应的商品的优惠活动,并根据所述优惠活动对应的优惠金额确定补偿参数;
步骤S123,根据所述补偿参数与所述中间数值确定所述参考数值。
在本实施例中,装置先根据交易涨幅值以及第二差值的乘积确定中间数值。商家为了能够卖出大量的商品,会进行一些优惠活动。优惠活动能够增大商品的销售额,且优惠活动的力度越大,则商品的销售额增长的也越大。对此,装置获取待测对象对应的商品的优惠活动,从而优惠活动的优惠金额确定补偿参数,优惠金额越大,则补偿参数越大。补偿参数表征优惠活动带来的商品的每日交易数量增长值。装置根据补偿参数与中间数值的叠加即可确定参考数值。
需要说明的是,商家可以进行多次优惠活动,最近一次的优惠活动对应的每日交易数量较多,而前一次的优惠活动对于商品的售卖也是有一定的影响,因此,装置会获取总的补充参数S=S0+S1*X+S2*X2+…+Sn*Xn-1,S0为最近一次优惠活动每日交易数量增量值,S1为前一次优惠活动每日交易数量增量值,S2为前前一次优惠活动每日交易数量增量值,Sn则为最初开始的优惠活动的每日交易数量增量值,X为影响因子,且小于1。
在本实施例提供的技术方案中,装置根据交易涨幅值与第二差值的乘积确定中间数值,再通过待测对象的商品的优惠活动的优惠金额确定补偿参数,最后基于补偿参数与中间数值准确的确定参考数值。
在一实施例中,所述获取所述待测对象对应的交易涨幅值的步骤包括:
获取所述待测对象与目标对象的同一商品的价格差值以及基础涨幅值;
根据所述待测对象中每种商品对应的价格差值以及所述基础涨幅值确定所述交易涨幅值。
在本实施例中,商品具有对应的基础涨幅值,基础涨幅值为商品每日自然增长的交易数量。装置会将待测对象的商品与其他商家的商品进行价格比对,且商品一致,从而得到同一商品的价格差值,价格差值为待测对象的商品的价格减去其他商家的商品的价格得到。装置基于价格差值调整基础涨幅值得到商品的涨幅值,装置将每种商品的交易涨幅值进行叠加,即可得到交易涨幅值。价格差值越大,则增大基础涨幅值的幅度越大,价格差值越小则减小基础幅度的幅度越小。此外,基础涨幅值的调整幅度还与待测对象的名声值是相关的,名声值可以理解为待测对象的品牌效益,待测对象的品牌越出名,则调整的幅度越大。例如,品牌为驰名品牌,则单位价格差值所对应的调整幅度时最大,若是品牌为初创品牌,则单位价格差值所对应的调整幅度是最小。同理,基础涨幅值与品牌的关系,与价格差值与频率的关系是相同的。
本实施例提供的技术方案中,装置通过同比商品得到价格差值,再通过价格差值以及基础涨幅值准确的确定待测对象的交易涨幅值。
在一实施例中,所述根据所述交易涨幅值以及所述第二差值确定参考数值的步骤包括:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象的信誉值,并根据所述信誉值调整所述中间数值得到所述参考数值。
在本实施例中,参考数值通过交易涨幅值与第二差值的乘积得到的中间数值与信誉值得到。本实施例中,待测对象为开设不久的商铺,例如,开设的时间小于1年,因而需要基于待测对象的信誉值调整中间数值得到交易涨幅值。
商品的质量较好,而且待测对象对商品的描述符合客户拿到商品的描述,则会得到好评,若是,质量不好、待测对象对商品的描述远不符合客户拿到商品的描述,则会得到差评。基于好评可以刷单,本实施例中,仅仅通过差评来确定待测对象的信誉值。
装置统计待测对象的差评的数量,该数量乘以一个信誉影响值得到分值,然后将基础分值扣除分值即可得到信誉值。此外,某些客户可能是出于恶意,会对购买的商品进行恶意评价,对此,为待测对象设置一个基础数值,差评的数量减去基础数值再乘以信誉影响值得到分值。
装置可以根据信誉值得到一个百分比数值,信誉值越大,则百分比数值越大,百分比数值可以大于100%,且小于120%。百分比数值乘以中间数值即可得到参考数值。
在本实施例提供的技术方案中,装置基于交易涨幅值以及第二差值的乘积得到中间数值,再获取待测对象的信誉值,最后基于信誉值调整中间数值准确得到参考数值。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上实施例所述的网络行为的监测方法的各个步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种网络行为的监测方法,其特征在于,所述网络行为的监测方法包括以下步骤:
获取待测对象在当前日期中每个时间段对应的第一交易数量,并确定所述当前日期的类型,所述类型包括工作日以及休息日;
根据所述类型,确定每个所述时间段对应的第一权重,其中,所述第一权重与所述类型对应的预测模型的预测效果值为正相关关系,所述预测效果值根据预测模型对第一输入数值进行预测得到,所述第一输入数值根据部分时间段的第二交易数量与所述第二交易数量对应的时间段的第二权重确定,所述时间段对应的第二权重根据所述类型设置;
根据每个所述第一交易数量以及所述第一交易数量的第一权重得到第二输入数值;
将所述第二输入数值输入至所述预测模型,得到所述待测对象进行恶意交易的预测结果。
2.如权利要求1所述的网络行为的监测方法,其特征在于,所根据所述类型,确定每个所述时间段对应的第一权重的步骤之前,还包括:
在所述类型对应的日期内,获取训练目标每个时间段对应的第二交易数量;
获取各个集合,其中,所述集合包括各个所述时间段以及所述时间段对应的第二交易数量,且每个所述集合中时间段的数量与时间段的总数量的差值为1,且每个所述集合中缺少的时间段各不相同;
基于所述时间段对应的第二权重与所述集合内的所述第二交易数量,确定每个所述集合对应的第二输入数值;
将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值;
根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重。
3.如权利要求2所述的网络行为的监测方法,其特征在于,所述将各个所述第二输入数值输入至所述类型对应的预测模型,得到所述预测模型对每个所述集合的预测效果值的步骤包括:
将各个所述第二输入数值输入至所述预测模型,得到每个所述第二输入数值对应的集合缺少的时间段对应的预测影响值;
根据所述预测影响值确定所述预测影响值对应的集合的预测效果值,其中,所述预测影响值与所述预测效果值为负相关关系。
4.如权利要求2所述的网络行为的监测方法,其特征在于,所述根据各个所述预测效果值调整每个所述时间段对应的第二权重,得到每个时间段对应的第一权重的步骤之后,还包括:
根据所述训练目标的每个时间段对应的第二交易数量以及所述时间段对应的第一权重,确定所述训练目标对应的第三输入数值;
根据每个所述训练目标对应的第三输入数值以及标签,对所述预测模型进行训练。
5.如权利要求1所述的网络行为的监测方法,其特征在于,所述获取待测对象在当前日期中每个时间段对应的第一交易数量的步骤之前,还包括:
获取所述待测对象在目标日期对应的第一交易总数量以及所述当前日期对应的第二交易总数量,其中,所述目标日期与所述当前日期的类型相同,其所述目标日期早于所述当前日期;
确定所述第一交易总数量与所述第二交易总数量之间的第一差值,并确定所述当前日期与所述目标日期之间的第二差值;
获取所述待测对象对应的交易涨幅值,并根据所述交易涨幅值以及所述第二差值确定参考数值;
在所述参考数值小于所述第一差值,且所述参考数值与所述第一差值之间的第三差值大于预设差值时,执行所述获取待测对象在当前日期中每个时间段对应的第一交易数量的步骤。
6.如权利要求5所述的网络行为的监测方法,其特征在于,所述根据所述交易涨幅值以及所述第二差值确定参考数值的步骤包括:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象对应的商品的优惠活动,并根据所述优惠活动对应的优惠金额确定补偿参数;
根据所述补偿参数与所述中间数值确定所述参考数值。
7.如权利要求5所述的网络行为的监测方法,其特征在于,所述获取所述待测对象对应的交易涨幅值的步骤包括:
获取所述待测对象与目标对象的同一商品的价格差值以及基础涨幅值;
根据所述待测对象中每种商品对应的价格差值以及所述基础涨幅值确定所述交易涨幅值。
8.如权利要求5所述的网络行为的监测方法,其特征在于,所述根据所述交易涨幅值以及所述第二差值确定参考数值的步骤包括:
根据所述交易涨幅值以及所述第二差值的乘积确定中间数值;
获取所述待测对象的信誉值,并根据所述信誉值调整所述中间数值得到所述参考数值。
9.一种网络行为的监测装置,其特征在于,所述网络行为的监测装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述的网络行为的监测方法。
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存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的网络行为的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707705.7A CN113506150B (zh) | 2021-06-24 | 2021-06-24 | 网络行为的监测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707705.7A CN113506150B (zh) | 2021-06-24 | 2021-06-24 | 网络行为的监测方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506150A true CN113506150A (zh) | 2021-10-15 |
CN113506150B CN113506150B (zh) | 2023-12-05 |
Family
ID=78010609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707705.7A Active CN113506150B (zh) | 2021-06-24 | 2021-06-24 | 网络行为的监测方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506150B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000070515A1 (en) * | 1999-05-14 | 2000-11-23 | Hotoffthewire.Com, Inc. | Computer method and apparatus enabling wholesale commerce |
US20030229592A1 (en) * | 2000-02-25 | 2003-12-11 | Andrew Florance | System and method for collection, distribution, and use of information in connection with commercial real estate |
RU2008102935A (ru) * | 2008-01-30 | 2009-08-10 | Павел Генрихович Курочкин (RU) | Способ повышения достоверности прогнозирования совершения финансовых сделок с использованием астролометрической информации |
CN107169768A (zh) * | 2016-03-07 | 2017-09-15 | 阿里巴巴集团控股有限公司 | 异常交易数据的获取方法和装置 |
CN108197795A (zh) * | 2017-12-28 | 2018-06-22 | 杭州优行科技有限公司 | 恶意团体账户识别方法、装置、终端及存储介质 |
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*** |
CN109242519A (zh) * | 2018-09-25 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种异常行为识别方法、装置和设备 |
CN110069686A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 用户行为分析方法、装置、计算机装置及存储介质 |
CN110175904A (zh) * | 2019-04-15 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 商店客流量坪效的检测方法、***、设备及存储介质 |
CN111461223A (zh) * | 2020-04-01 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 异常交易识别模型的训练方法及异常交易识别方法 |
CN112580800A (zh) * | 2020-12-11 | 2021-03-30 | 京东数字科技控股股份有限公司 | 数据趋势预测模型的训练方法、数据趋势的预测方法 |
CN112651785A (zh) * | 2020-12-31 | 2021-04-13 | 中国农业银行股份有限公司 | 交易量实时监测方法与*** |
-
2021
- 2021-06-24 CN CN202110707705.7A patent/CN113506150B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000070515A1 (en) * | 1999-05-14 | 2000-11-23 | Hotoffthewire.Com, Inc. | Computer method and apparatus enabling wholesale commerce |
US20030229592A1 (en) * | 2000-02-25 | 2003-12-11 | Andrew Florance | System and method for collection, distribution, and use of information in connection with commercial real estate |
RU2008102935A (ru) * | 2008-01-30 | 2009-08-10 | Павел Генрихович Курочкин (RU) | Способ повышения достоверности прогнозирования совершения финансовых сделок с использованием астролометрической информации |
CN107169768A (zh) * | 2016-03-07 | 2017-09-15 | 阿里巴巴集团控股有限公司 | 异常交易数据的获取方法和装置 |
CN108197795A (zh) * | 2017-12-28 | 2018-06-22 | 杭州优行科技有限公司 | 恶意团体账户识别方法、装置、终端及存储介质 |
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*** |
CN109242519A (zh) * | 2018-09-25 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种异常行为识别方法、装置和设备 |
CN110069686A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 用户行为分析方法、装置、计算机装置及存储介质 |
CN110175904A (zh) * | 2019-04-15 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 商店客流量坪效的检测方法、***、设备及存储介质 |
CN111461223A (zh) * | 2020-04-01 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 异常交易识别模型的训练方法及异常交易识别方法 |
CN112580800A (zh) * | 2020-12-11 | 2021-03-30 | 京东数字科技控股股份有限公司 | 数据趋势预测模型的训练方法、数据趋势的预测方法 |
CN112651785A (zh) * | 2020-12-31 | 2021-04-13 | 中国农业银行股份有限公司 | 交易量实时监测方法与*** |
Non-Patent Citations (1)
Title |
---|
郑浩;: "基于马尔可夫链的间歇性购买个体客户终生价值预测模型", 管理科学, no. 05, pages 39 - 44 * |
Also Published As
Publication number | Publication date |
---|---|
CN113506150B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11790396B2 (en) | Preservation of scores of the quality of traffic to network sites across clients and over time | |
US11818026B2 (en) | Method and system for scoring quality of traffic to network sites | |
US7574382B1 (en) | Automated detection of anomalous user activity associated with specific items in an electronic catalog | |
Salisu et al. | The role of global economic conditions in forecasting gold market volatility: Evidence from a GARCH-MIDAS approach | |
CN103123712A (zh) | 一种网络行为数据的监控方法和*** | |
JP6650990B1 (ja) | 電子商取引における販売店に資金提供を行うためのコンピュータシステム、方法、およびプログラム | |
CN111445134A (zh) | 商品的销量预测方法、装置、计算机设备和存储介质 | |
JP7516249B2 (ja) | 不正防止の装置および方法 | |
US20160012494A1 (en) | Computer-implemented method of valuing automotive assets | |
CN111445133B (zh) | 一种材料管理方法、装置、计算机设备和存储介质 | |
JP2018139036A (ja) | 分析装置 | |
CN111127112A (zh) | 广告投放的方法、装置、设备及存储介质 | |
CN112232949B (zh) | 基于区块链的借贷风险的预测方法和装置 | |
CN116188061A (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
CN113506150B (zh) | 网络行为的监测方法、装置和计算机可读存储介质 | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
CN112381617B (zh) | 网络购物方法及装置 | |
CN112017000B (zh) | 一种商品信息推送方法、装置、设备及存储介质 | |
JP2023071296A (ja) | クーポン価値定量化プログラム、記録媒体、クーポン価値定量化方法、及び、クーポン価値定量化装置 | |
JP2022133829A (ja) | クーポン価値定量化プログラム、クーポン価値定量化方法、及び、クーポン価値定量化装置 | |
CN109727053B (zh) | 对象投放的确定方法、装置以及计算机可读存储介质 | |
CN112508594A (zh) | 带货视频的商品销量属性估算方法及装置 | |
CN112330098A (zh) | Kol带货能力属性的智能化计算方法及装置 | |
JP2002230273A (ja) | 事業リスク管理方法 | |
Kuswibowo et al. | PURCHASING DECISION OF IPHONE: THE ROLE OF PRODUCT QUALITY, BRAND IMAGE AND E-WOM |
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 |