[發(fā)明專利]一種刷單識別方法

在審

• 申請?zhí)枺?/td>: 202010428470.3
• 申請日: 2020-05-20
• 公開（公告）號: CN111598588A
• 公開（公告）日: 2020-08-28
• 發(fā)明（設(shè)計）人: 馬喜萍
• 申請（專利權(quán)）人: 廣州鵠志信息咨詢有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06Q30/06;G06Q30/02
• 代理公司: 北京廣技專利代理事務(wù)所(特殊普通合伙) 11842
• 代理人: 崔征

1.一種刷單識別方法，其特征在于，包括：

獲取商戶的銷售記錄并判斷所述銷售記錄是否異常；

在確定所述銷售記錄異常時，獲取用戶的行為特征信息并判斷所述用戶的行為特征信息是否異常；

在確定用戶的行為特征信息異常時，判斷該商戶存在刷單行為。

2.如權(quán)利要求1所述的方法，其特征在于，所述獲取商戶的銷售記錄并判斷所述銷售記錄是否異常，包括：

獲取商戶在第一時間段內(nèi)的第一銷量；

獲取商戶在第二時間段內(nèi)的第二銷量；其中，所述第一時間段與所述第二時間段的時長相等；

在判斷所述第二銷量與第一銷量的第一銷量比不在第一預(yù)設(shè)銷量比范圍內(nèi)時，判斷所述銷售記錄異常。

3.如權(quán)利要求1所述的方法，其特征在于，所述獲取商戶的銷售記錄并判斷所述銷售記錄是否異常，包括：

獲取商戶在黃金時間段內(nèi)的第三銷量；

獲取商戶在低谷時間段內(nèi)的第四銷量；

在判斷所述第四銷量與第三銷量的第二銷量比大于第二預(yù)設(shè)銷量比時，判斷所述銷售記錄異常。

4.如權(quán)利要求1所述的方法，其特征在于，所述行為特征信息包括用戶的愛好產(chǎn)品信息；獲取用戶的行為特征信息并判斷所述用戶的行為特征信息是否異常，包括：

獲取用戶的愛好產(chǎn)品信息；

獲取用戶購買所述商戶的產(chǎn)品信息；

根據(jù)所述用戶的愛好產(chǎn)品信息判斷用戶對所述商戶的產(chǎn)品愛好值；

在判斷所述愛好值低于預(yù)設(shè)愛好值時，判定所述用戶對所述商戶的產(chǎn)品不喜歡，判定所述用戶的行為特征信息異常。

5.如權(quán)利要求4所述的方法，其特征在于，所述獲取用戶的愛好產(chǎn)品信息，包括：

獲取每個用戶的基本數(shù)據(jù)及歷史行為數(shù)據(jù)；

對所述基本數(shù)據(jù)及歷史行為數(shù)據(jù)進(jìn)行預(yù)處理；所述預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)編解碼；

獲取預(yù)處理后得到的基本數(shù)據(jù)及歷史行為數(shù)據(jù)，進(jìn)行特征提取，獲取特征值輸入預(yù)先訓(xùn)練好的用戶愛好模型中，輸出用戶對各類產(chǎn)品的愛好值，得到用戶的愛好產(chǎn)品信息。

6.如權(quán)利要求1所述的方法，其特征在于，所述行為特征信息包括用戶的當(dāng)次瀏覽產(chǎn)品的信息；獲取用戶的行為特征信息并判斷所述用戶的行為特征信息是否異常，包括：

獲取用戶的當(dāng)次瀏覽產(chǎn)品的信息；

獲取用戶的歷史瀏覽產(chǎn)品的信息；

根據(jù)用戶的歷史瀏覽產(chǎn)品的信息按照預(yù)設(shè)規(guī)則判斷用戶的當(dāng)次瀏覽產(chǎn)品的信息是否異常；所述預(yù)設(shè)規(guī)則包括：用戶的翻頁數(shù)和/或用戶的翻頁時間；

在確定用戶的當(dāng)次瀏覽產(chǎn)品的信息異常時，判定用戶的行為特征信息異常。

7.如權(quán)利要求1所述的方法，其特征在于，所述行為特征信息包括用戶的評價信息；獲取用戶的行為特征信息并判斷所述用戶的行為特征信息是否異常，包括：

獲取各個用戶對于商戶產(chǎn)品的評價信息；

對所述評價信息進(jìn)行篩選處理得到有效評價信息；

對每個有效評價信息進(jìn)行特征提取，獲取評價特征值輸入預(yù)先訓(xùn)練好的評價相似度模型中，聚合所述評價相似度模型的輸出結(jié)果，得到所述有效評價信息與其他有效評價信息的多個相似度值；

在所述相似度值大于預(yù)設(shè)相似度閾值時，將所述相似度值對應(yīng)的兩個有效評價信息的作為同一用戶的評價信息，判定兩個有效評價信息為同一人所寫。

8.如權(quán)利要求7所述的方法，其特征在于，訓(xùn)練評價相似度模型，包括：

獲取樣本評價信息；

對樣本評價信息進(jìn)行進(jìn)行特征提取，得到評價特征值；所述評價特征值包括詞向量；

對樣本信息進(jìn)行多次篩選處理，將每次篩選的兩個樣本評價信息作為一個樣本組；

基于神經(jīng)網(wǎng)絡(luò)模型，將兩個樣本評價信息的各自的評價特征值輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，輸出該兩個樣本評價信息的相似度，反復(fù)循環(huán)的迭代更新神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，直至模型收斂，得到評價相似度模型。

9.如權(quán)利要求6所述的方法，其特征在于，獲取用戶的行為特征信息并判斷所述用戶的行為特征信息是否異常，算法包括：

計算用戶的當(dāng)次瀏覽產(chǎn)品的信息的第一特征向量X與用戶的歷史瀏覽產(chǎn)品的信息的第二特征向量Y的相似度：

其中，X_i為第一特征向量X的分量；Y_i為第二特征向量Y的分量；n為特征向量的分量的個數(shù)；k為修正系數(shù)；sim(X，Y)∈(0,1)，在sim(X，Y)越接近0時，表示相似度越低；在sim(X，Y)越接近1時，表示相似度越高；

其中，P₁為根據(jù)歷史瀏覽產(chǎn)品的信息確定的第一愛好值；P₂為根據(jù)當(dāng)次瀏覽產(chǎn)品的信息確定的第二愛好值；C為當(dāng)次瀏覽產(chǎn)品的種類系數(shù)；基于同一種類物品，在|P₁-P₂|越大時，表示第一愛好值與第二愛好值的差值越大，修正系數(shù)k越小；在|P₁-P₂|越小時，表示第一愛好值與第二愛好值的差值越小，修正系數(shù)k越大；

在sim(X，Y)小于預(yù)設(shè)相似度閾值時，表示用戶的行為特征信息異常。