针对网店的作弊识别方法及装置制造方法及图纸

本申请提出一种针对网店的作弊识别方法及装置。其中，该方法包括：根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；在多个用户中确定M个用户；根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图；以及根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户。本申请实施例的针对网店的作弊识别方法及装置，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。

【技术实现步骤摘要】

本申请涉及互联网
，尤其涉及一种针对网店的作弊识别方法及装置。
技术介绍
随着互联网技术的不断发展，通过互联网进行网上购物已经成为人们购物的一种方式，网购具有价格低，而且直接送货上门的优点，所以网购一直受到人们的欢迎。目前，在一些购物平台中，一些网店为了提高自己网店的信用，会采用一些非公平性的手段，例如，有些网店会采用虚假交易行为或者点击欺诈等方式来提高自己网店的信用。其中，虚假交易行为，也可以称为信用炒作，即买、卖双方以抬高信用为目的，或双方在无实际成交的情况下做出购买和评价商品等行为，以提高卖家的好评率、订单成交率等。点击欺诈是指在互联网广告市场中，人为影响广告的点击率的行为。比如在以点击结算的广告市场中通过恶意点击竞争对手的广告来消耗竞争对手的广告预算。又比如店家雇佣人手点击自己的广告，并在点击后再自己的店铺内下单，通过点击欺诈和虚假交易来造成系统对于这个广告的质量分数做出过高的估计。在一些购物平台中，虚假交易行为影响了平台卖家的公平竞争，阻碍平台的健康、稳健发展。并且虚假的好评率、订单成交率等，会对消费者造成误导，影响消费者购物体验。因此，如何对网店的这些作弊行为进行识别十分重要。目前，常用的虚假交易识别方式主要是后台预先设定一些规则，并基于这些预定的规则对作弊行为进行识别。然而，预先设定的规则难以同时覆盖不同团伙的特征或新的虚假交易形式，而且规则易于被不法商家识破，自适应性较弱，不能有效及时准确识别作弊行为。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的第一个目的在于提出一种针对网店的作弊识别方法，该方法提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。本申请的第二个目的在于提出一种针对网店的作弊识别装置。为达上述目的，本申请第一方面实施例提出了一种针对网店的作弊识别方法，包括：根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；在所述多个用户中确定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。本申请实施例的针对网店的作弊识别方法，首先根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后在多个用户中确定M个用户，并根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。为达上述目的，本申请第二方面实施例提出了一种针对网店的作弊识别装置，包括：第一确定模块，用于根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；第二确定模块，用于在所述多个用户中确定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；第三确定模块，用于根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及第一处理模块，用于根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。本申请实施例的针对网店的作弊识别装置，首先第一确定模块根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后第二确定模块在多个用户中确定M个用户，第三确定模块根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及第一处理模块根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。附图说明图1是本申请一个实施例的针对网店的作弊识别方法的流程图。图2是本申请一个实施例的关系图的示例图一。图3是通过KCore算法对关系图进程处理的流程图。图4是本申请一个实施例的关系图的示例图二。图5是包含用户节点的层次值的关系图的示例图。图6是基于连通图算法生成K-core子图中的每个用户节点的标签的流程图。图7是基于社区发现算法生成K-core子图中的每个用户节点的标签的流程图。图8是本申请一个实施例的针对网店的作弊识别装置的结构示意图。图9是本申请另一个实施例的针对网店的作弊识别装置的结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。下面参考附图描述本申请实施例的针对网店的作弊识别方法及装置。图1是本申请一个实施例的针对网店的作弊识别方法的流程图。如图1所示，该针对网店的作弊识别方法包括：S101，根据用户历史行为日志确定对目标网店的网页进行操作的多个用户。S102，在多个用户中确定M个用户，其中，M为正整数，M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值。在本申请的一个实施例中，在获取对目标网店的网页进行操作的多个用户后，可获取多个用户中任意两个用户之间的共同操作记录，并判断这两个用户之间的共同操作记录的数量是否大于预设阈值，如果这两个用户之间的共同操作记录的数量大于预设数量阈值，则确定这两个用户之间具有共同操作关系，并将这两个用户作为一个用户对并加入共同操作关系用户集合。其中，共同操作关系用户集合中包括M个用户。每个用户对包括至少两个用户。具体地，针对目标网店的网页，在获取目标网店在预设时间内的历史购买记录、收藏、好评、加入购物车记录等后，可获取任意两个用户针对目标网店的操作，并判断操作是否属于预设时间段，如果属于预设时间段，则判断这两个用户之间存在共同操作记录。具体而言，可统计这两个买家在同一家店铺购买过商品、收藏过商品、好评、加入购物车等操作之间的时间差是本文档来自技高网...

【技术保护点】
一种针对网店的作弊识别方法，其特征在于，包括以下步骤：根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；在所述多个用户中确定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。

【技术特征摘要】
1.一种针对网店的作弊识别方法，其特征在于，包括以下步骤：根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；在所述多个用户中确定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。2.如权利要求1所述的针对网店的作弊识别方法，其特征在于，在所述多个用户中确定M个用户具体包括：获取所述多个用户中任意两个用户之间的共同操作记录；如果任意两个用户之间的所述共同操作记录的数量大于预设数量阈值，则确定所述任意两个用户之间具有共同操作关系，并将所述任意两个用户作为一个用户对并加入共同操作关系用户集合，其中，所述共同操作关系用户集合中包括所述M个用户。3.如权利要求2所述的针对网店的作弊识别方法，其特征在于，所述获取所述多个用户中任意两个用户之间的共同操作记录具体包括：获取所述任意两个用户针对所述目标网店的操作；判断所述操作是否属于预设时间段；以及如果属于所述预设时间段，则判断所述任意两个用户之间存在所述共同操作记录。4.如权利要求1所述的针对网店的作弊识别方法，其特征在于，所述根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户具体包括：通过KCore算法对关系图进行处理，以生成K-core子图，其中，K-core子图中的用户均存在作弊可能性；将K-core子图中的用户作为作弊用户。5.如权利要求4所述的针对网店的作弊识别方法，其特征在于，在所述将K-core子图中的用户作为作弊用户之后，还包括：生成所述K-core子图中的用户节点的标签；以及根据所述标签对所述作弊用户进行划分，以确定所述作弊用户所属的作弊团伙，其中，
\t具有相同标签的作弊用户属于同一个作弊团伙。6.如权利要求4所述的针对网店的作弊识别方法，其特征在于，所述通过KCore算法对关系图进行处理，以生成K-core子图具体包括：S11、设定k值为初始值；S12、去除所述关系图中节点度值小于或等于所述k值的用户节点，且去除与所述已去除的用户节点连接的边并重新计算新关系图中每个用户节点的节点度值k；S13、判断新关系图中是否还有节点度值小于或等于k值的用户节点，如果还有节点度值小于或等于k值的用户节点，则跳转至步骤S12，如果否，则执行步骤S14；S14、输出当前的新关系图，并将所述当前的新关系图作为所述K-core子图。7.如权利要求5所述的针对网店的作弊识别方法，其特征在于，所述生成所述K-core子图中的用户节点的标签具体包括：S21、为每个所述用户节点分配初始标签；S22、每个所述用户节点将自身的标签广播给与自身相邻的用户节点；S23、接收到广播的标签的用户节点根据接收到的标签和自身的标签生成新标签；S24、重复执行所述步骤S22至S23，直至所述用户节点的标签不再变化。8.如权利要求7所述的针对网店的作弊识别方法，其特征在于，所述步骤S23具体包括：接收到广播的标签的用户节点将接收到的标签和自身的标签进行比较；选择二者的最小值作为所述新标签。9.如权利要求5所述的针对网店的作弊识别方法，其特征在于，所述生成所述K-core子图中的用户节点的标签具体包括：S31、为每个所述用户节点分配初始标签；S32、每个所述用户节点将自身的标签广播给与自身相邻的用户节点；S33、每个所述用户节点对接收到的标签进行汇总，并选择出现次数最多的标签作为新标签；S34、重复执行所述步骤S32至S33，直至所述用户节点的标签不再变化或达到最大迭代次数。10.一种针对网店的作弊识别装置，其特征在于，包括：第...

【专利技术属性】
技术研发人员：吴炜，黄光远，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY