收寄件数据分析方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种收寄件数据分析方法、装置、计算机设备和存储介质。方法包括：获取数据分析任务，确定待分析的目标用户和目标时刻，根据目标时刻所属目标时间段，得到目标时间段对应的收寄件数据，根据收寄件数据，构建无向图，通过特征降维，将无向图上的节点嵌入低维特征空间，根据目标用户在低维特征空间中对应的目标节点，得到目标节点在目标时刻对应的第一特征表示序列、以及目标节点在与目标时刻关联的参照时刻对应的第二特征表示序列，将第一特征表示序列和第二特征表示序列分别输入HMM模型，得到第一预测结果和第二预测结果，根据两个预测结果间的差异数据，得到目标用户在目标时刻的欺诈概率，通过上述方案，能够得到准确的欺诈分析结果。确的欺诈分析结果。确的欺诈分析结果。

【技术实现步骤摘要】
收寄件数据分析方法、装置、计算机设备和存储介质


[0001]本申请涉及大数据
，特别是涉及一种收寄件数据分析方法、装置、计算机设备和存储介质。

技术介绍

[0002]对于物流领域，核心企业供应链上的每一个环节都存在欺诈的风险，随着大数据技术的发展，大数据的应用在物流风控中起着重要的作用。
[0003]信息技术行业往往面临着对各种复杂网络的理解挖掘，例如对物流数据信息加以挖掘利用，对用户的收寄件行为进行欺诈可能性分析。
[0004]传统的欺诈可能性分析，一般是通过挖掘具体用户的历史行为中是否存在欺诈行为来判断用户的收寄件行为的欺诈可能性，分析的数据来源和分析手段较为简单，从而导致分析结果准确性不高。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高欺诈可能性分析准确率的收寄件数据分析方法、装置、计算机设备和存储介质。
[0006]一种收寄件数据分析方法，方法包括：
[0007]获取数据分析任务，确定待分析的目标用户和目标时刻，根据目标时刻所属目标时间段，得到目标时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种收寄件数据分析方法，其特征在于，所述方法包括：获取数据分析任务，确定待分析的目标用户和目标时刻，根据所述目标时刻所属目标时间段，得到所述目标时间段对应的收寄件数据；根据所述收寄件数据，构建无向图，通过特征降维，将所述无向图上的节点嵌入低维特征空间；根据所述目标用户在所述低维特征空间中对应的目标节点，得到所述目标节点在所述目标时刻对应的第一特征表示序列、以及所述目标节点在参照时刻对应的第二特征表示序列，所述参照时刻与所述目标时刻关联；将所述第一特征表示序列和所述第二特征表示序列分别输入HMM模型，得到第一预测结果和第二预测结果；根据所述第一预测结果与所述第二预测结果的差异数据，得到所述目标用户在目标时刻的欺诈概率。2.根据权利要求1所述的方法，其特征在于，所述根据所述收寄件数据，构建无向图，通过特征降维，将所述无向图上的节点嵌入低维特征空间包括：根据所述收寄件数据对应的收寄行为，确定所述收寄件数据关联的用户；以所述用户为节点、以所述收寄行为为节点关联关系，构建无向图；对所述无向图中的节点进行特征降维，基于所述无向图与所述低维特征空间的映射关系，将所述节点嵌入低维特征空间。3.根据权利要求2所述的方法，其特征在于，所述对所述无向图中的节点进行特征降维，基于所述无向图与所述低维特征空间的映射关系，将所述节点嵌入低维特征空间之前，还包括：根据低维特征空间中的节点关系，确定所述低维特征空间的目标函数；根据随机梯度下降优化算法，在所述目标函数取最优值时，确定所述无向图与所述低维特征空间的映射关系。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户在所述低维特征空间中对应的目标节点，得到所述目标节点在所述目标时刻对应的第一特征表示序列、以及所述目标节点在参照时刻对应的第二特征表示序列包括：根据所述低维特征空间与所述无向图的映射关系，确定所述低维特征空间中与所述目标用户对应的目标节点；根据随机游走算法，得到所述目标节点在所述低维特征空间中的邻近节点；根据所述目标时间段中的任一时刻，获取所述目标节点与所述邻近节点构成的子图在所述时刻的低维特征数据；筛选所述目标时刻之前的各时刻对应的低维特征数据，得到所述目标节点在所述目标时刻对应的第一特征表示序列；确定与所述目标时刻关联的参照时刻，筛选所述目标节点在所述参照时刻之前的各时刻对应的低维特征数据，得到所述参照时刻对应的第二特征表示序列。5.根据权利要求4所述的方法，其...

【专利技术属性】
技术研发人员：张艳鹏，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：