基于当前订单的差评预警方法、系统、黑名单库建立方法技术方案

本发明专利技术公开了一种基于当前订单的差评预警方法，该方法能够根据比对信息判断待测买家是否与差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受待测买家的交易；差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成，若待测买家与差评师黑名单库中的其中一个差评师为同一人，则表明该当前买家为更换了账号的历史差评师，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。本发明专利技术还提供了基于当前订单的差评预警系统、黑名单库的建立方法、计算机设备及存储介质。

【技术实现步骤摘要】
基于当前订单的差评预警方法、系统、黑名单库建立方法
本专利技术属于电子商务信息
，尤其涉及一种基于当前订单的差评预警方法、系统、黑名单库的建立方法、计算机设备及存储介质。
技术介绍
随着互联网的快速发展，电子商务在商业领域中所处的地位也越来越重要，电子商务迅速发展的同时，也造成一些用户想通过电子商务网站进行非正常行为来谋求利益。例如，在电子商务网站上非正常分子以买家身份进行商品购买，之后在评价系统中对所购商品给予中差评价或不予评价，最后通过修改中差评价、删除中差评价等条件向商铺卖家索取钱财的非正常行为。这些用户的行为极大地影响了电子商务领域中正常交易行为的进行，这些非常行为的用户通常被称为差评师。针对上述问题，最原始的识别差评师的具体方法是：在商铺卖家接收到买家通过电子商务网站客户端发送的以敲诈、威胁为目的的信息时，商铺卖家或客服部门人员依靠经验进行主观判断是否为差评师，具体为查看该买家过往的购买记录、评价记录以及注册时间和信用度，这种识别差评师的方法存在以下问题：1)人工识别，效率非常低；2)由于用来识别差评师的信息不完整，人为识别的主观意识比较强，因此识别的准确性非常低；3)在差评师索取钱财时才进行识别，非常被动，给卖家带来极大的困扰。为了提高识别效率和准确率，现有技术中出现了利用计算机自动识别买家是否为差评师的方法，例如CN201210494802-用户身份的识别、信息的过滤及搜索方法和服务器，具体为：获取该买家在当前电商平台上的历史评论信息以及注册信息，然后根据设定的算法规则进行判定其是否为差评师。但该方法存在缺陷：1)只能针对有历史数据的，更换新号后则无法识别；2)依然是给出差评后再进行甄别，不能最大限度地减少卖家的干扰。
技术实现思路
本专利技术的技术目的是提供一种基于当前订单的差评预警方法、系统、黑名单库的建立方法、计算机设备及存储介质，该种基于当前订单的差评预警方法能够甄别更换了账号的差评师，且在差评师给出差评之前即可进行甄别，最大限度地减少了恶意差评对卖家的干扰。为解决上述问题，本专利技术的技术方案为：一种基于当前订单的差评预警方法，包括：获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；获取当前订单的订单信息；从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；所述历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；所述比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和所述自身信息。根据本专利技术一实施例，所述根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人进一步为：先比对所述自身信息，若至少有一个相同，则判定其为同一人；否则比对所述待测买家和所述差评师的设备标识码是否相同，若相同，则为同一人；否则，比对所述待测买家和所述差评师的定位信息，若定位相似度超过预设的定位相似度阈值，则为同一人，否则，比对所述待测买家和所述差评师的好友，若好友重叠度超过预设的好友重叠度阈值，则为同一人，否则，不是同一人。根据本专利技术一实施例，所述比对所述待测买家和所述差评师的定位信息具体为：比对所述待测买家与所述差评师的省份是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值；若相同，则比对所述待测买家与所述差评师的城市是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值，若相同，则判定所述待测买家与所述差评师的具体街道地址的相似度，若所述具体街道地址的相似度超过预设的街道相似度阈值，则判定所述待测买家与所述差评师的定位相似度超过预设的定位相似度阈值。根据本专利技术一实施例，所述获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述差评师黑名单库的建立过程包括：A1，获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；A2，计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；A3，建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；A4，基于步骤A3的结果构建决策树模型；A5，将每个所述历史买家对应的离群评论特征属性以及正常评论特征属性输入所述决策树模型判断每个所述历史买家是否为差评师，若为差评师，则将所述历史买家的比对信息加入黑名单库。根据本专利技术一实施例，所述步骤A4中构建决策树模型进一步为：A401，设定差评师的判定标准，根据所述判定标准筛选出部分差评师；A402，提取所述步骤A401中的差评师对应的多维度评论特征属性，并生成训练数据集；A403，计算所述训练数据集中包含的每个评论特征属性的信息增益，根据所述信息增益选择最佳的分裂决策属性作为节点构建所述决策树模型。根据本专利技术一实施例，所述步骤A2中的所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师；所述步骤A401中的差评师的判定标准具体为：平均分指数低到离群且评价偏差度指数大到离群；平均分指数低到离群且被卖家评为过差评师；平均分指数低到离群且单日评价率高到离群；平均分指数低到离群且退货率高到离群；平均分指数低到离群且低评价商品指数高到离群；平均分指数低到离群且新号概率大于预设概率阈值。基于相同的专利技术构思，本专利技术还提供了一种基于当前订单的差评预警系统，包括：黑名单获取模块，用于获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；订单信息获取模块，用于获取当前订单的订单信息；预警模块，用于从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；所述历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；所述比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和所述自身信息。根据本专利技术一实施例，所述黑名单获取模块获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述黑名单获取模块包括：历史买家信息获取模块，获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；评论特征属性计算模块，用于计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；离群预测模型建立模块，用于建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区本文档来自技高网...

【技术保护点】
1.一种基于当前订单的差评预警方法，其特征在于，包括：获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；获取当前订单的订单信息；从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；所述历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；所述比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和所述自身信息。

【技术特征摘要】
1.一种基于当前订单的差评预警方法，其特征在于，包括：获取电商平台的差评师黑名单库，所述差评师黑名单库中的差评师主要由根据历史买家的自身信息及历史买家的评论信息判断出的恶意差评人员组成；获取当前订单的订单信息；从所述当前订单的订单信息中提取待测买家的比对信息，根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人，若为同一人，则发出差评预警，否则，接受所述待测买家的交易；所述历史买家的自身信息包括电商平台账号ID、姓名、电话、收件地址；所述比对信息包括设备标识码信息、定位信息、社交好友信息中的至少一种和所述自身信息。2.如权利要求1所述的基于当前订单的差评预警方法，其特征在于，所述根据所述比对信息判断所述待测买家是否与所述差评师黑名单库中的其中一个差评师为同一人进一步为：先比对所述自身信息，若至少有一个相同，则判定其为同一人；否则比对所述待测买家和所述差评师的设备标识码是否相同，若相同，则为同一人；否则，比对所述待测买家和所述差评师的定位信息，若定位相似度超过预设的定位相似度阈值，则为同一人，否则，比对所述待测买家和所述差评师的好友，若好友重叠度超过预设的好友重叠度阈值，则为同一人，否则，不是同一人。3.如权利要求2所述的基于当前订单的差评预警方法，其特征在于，所述比对所述待测买家和所述差评师的定位信息具体为：比对所述待测买家与所述差评师的省份是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值；若相同，则比对所述待测买家与所述差评师的城市是否相同，若不同，则判定所述待测买家与所述差评师的定位相似度不超过预设的定位相似度阈值，若相同，则判定所述待测买家与所述差评师的具体街道地址的相似度，若所述具体街道地址的相似度超过预设的街道相似度阈值，则判定所述待测买家与所述差评师的定位相似度超过预设的定位相似度阈值。4.如权利要求1-3任意一项所述的基于当前订单的差评预警方法，其特征在于，所述获取电商平台的差评师黑名单库进一步为建立所述电商平台的差评师黑名单库，所述差评师黑名单库的建立过程包括：A1，获取所述电商平台上的部分或全部历史买家的自身信息以及所述历史买家在所述电商平台上的评论信息；A2，计算出所述历史买家的多维度评论特征属性；其中，所述多维度评论特征属性包括评论平均分指数、评价偏差度指数、新号概率、单日评价率、低评价商品指数、有帮助指数、退货率、是否被评过差评师中的至少两个维度的评论特征属性；A3，建立大数据离群预测模型，将所述多维度评论特征属性包括的评论特征属性区分为离群评论特征属性和正常评论特征属性；A4，基于步骤A3的结果构建决策树模型；A5，将每个所述历史买家对应的离群评论特征属性以及正常评论特征属性输入所述决策树模型判断每个所述历史买家是否为差评师，若为差评师，则将所述历史买家的比对信息加入黑名单库。5.如权利要求4所述的基于当前订单的差评预警方法，其特征在于，所述步骤A4中构建决策树模型进一步为：A401，设定差评师的判定标准，根据所述判定标准筛选出部分差评师；A402，提取所述步骤A401中的差评师对应的多维度评论特征属性，并生成训练数据集；A403，计算所述训练数据集中包含的每个评论特征属性的信息增益，根据所述信息增益选择最佳的分裂决策属性作为节点构建所述决策树模型。6.如权利要求5所述的基于当前订单的差评预警方法，其特征在于，所述步骤A2中的所述多维...

【专利技术属性】
技术研发人员：陈鹏，谢伟良，傅晗文，
申请(专利权)人：杭州跨境邦信息技术有限公司，
类型：发明
国别省市：浙江,33