电商交易作弊识别方法及系统技术方案

本申请公开了一种电商交易作弊识别方法，该方法包括：基于多个用户之间的关系构建图数据，所述图数据由多个节点和多条边组成，所述节点表示用户，所述边表示用户与用户之间建立的关系，所述边的权重表示用户与用户之间建立关系的次数，所述关系根据多个维度的特征数据建立；基于所述图数据，聚合所述多个用户以得到多个团队；根据团队定位策略，从所述多个团队中识别作弊团队，其中，所述团队定位策略是基于团队操作行为的作弊团队定位策略

【技术实现步骤摘要】
电商交易作弊识别方法及系统


[0001]本申请涉及数据分析
，尤其涉及一种电商交易作弊识别方法
、
系统
、
电子装置及计算机可读存储介质
。

技术介绍

[0002]随着计算机技术的普及与电子商务业务的发展，用户常常会在电子装置上进行电商交易
。
但是，在电商交易过程中也开始出现各种作弊手段，并且作弊用户呈现团队化趋势
。
因此，如何识别出交易中出现的作弊团队和作弊用户，保障财产安全，成为一个亟需解决的问题
。

技术实现思路

[0003]本申请的主要目的在于提出一种电商交易作弊识别方法
、
系统
、
电子装置及计算机可读存储介质，旨在解决如何准确地识别出作弊团队和作弊用户的问题
。
[0004]第一方面，本申请实施例提供了一种电商交易作弊识别方法，所述方法包括：基于多个用户之间的关系构建图数据，所述图数据由多个节点和多条边组成，所述节点表示用户，所述边表示用户与用户之间建立的关系，所述边的权重表示用户与用户之间建立关系的次数，所述关系根据多个维度的特征数据建立；基于所述图数据，聚合所述多个用户以得到多个团队；根据团队定位策略，从所述多个团队中识别作弊团队，其中，所述团队定位策略是基于团队操作行为的作弊团队定位策略
。
[0005]第二方面，本申请实施例提供一种电商交易作弊识别系统，所述系统包括：构建模块，用于基于多个用户之间的关系构建图数据，所述图数据由多个节点和多条边组成，所述节点表示用户，所述边表示用户与用户之间建立的关系，所述边的权重表示用户与用户之间建立关系的次数，所述关系根据多个维度的特征数据建立；聚合模块，用于基于所述图数据，聚合所述多个用户以得到多个团队；识别模块，用于根据团队定位策略，从所述多个团队中识别作弊团队，其中，所述团队定位策略是基于团队操作行为的作弊团队定位策略
。
[0006]第三方面，本申请实施例提供一种电子装置，所述电子装置包括：存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的电商交易作弊识别程序，所述电商交易作弊识别程序被所述处理器执行时实现如上述的电商交易作弊识别方法
。
[0007]第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有电商交易作弊识别程序，所述电商交易作弊识别程序被处理器执行时实现如上述的电商交易作弊识别方法
。
[0008]本申请实施例提出的电商交易作弊识别方法
、
系统
、
电子装置及计算机可读存储介质，能够根据多种维度的特征数据来建立用户关系，并将建立用户关系的次数作为图数据中边的权重，使得所述图数据所反映出的用户关系更加多元，也使得所述聚合模型在聚
合过程中所考虑的依据更加全面，聚合结果更加准确
。
并且，在根据用户关系构建图数据和通过聚合模型处理所述图数据得到多个团队后，根据基于团队操作行为的团队定位策略，从所述多个团队中识别作弊团队，有效提高了作弊团队识别的准确性，避免将正常团队误当做作弊团队进行处置，保证了商业生态的公正和稳定
。
附图说明
[0009]此处的附图用来提供对本申请的进一步理解，构成本申请的一部分
。
应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制
。
[0010]图1为实现本申请各个实施例的一种应用环境架构图；图2为本申请第一实施例提出的一种电商交易作弊识别方法的流程图；图3为图2中步骤
S200
的一种细化流程示意图；图4为图2中步骤
S202
的一种细化流程示意图；图5为图2中步骤
S202
的另一种细化流程示意图；图6为图2中步骤
S204
的一种细化流程示意图；图7为本申请第二实施例提出的一种电商交易作弊识别方法的流程图；图8为图7中步骤
S306
的一种细化流程示意图；图9为本申请第三实施例提出的一种电子装置的硬件架构示意图；图
10
为本申请第四实施例提出的一种电商交易作弊识别系统的模块示意图
。
具体实施方式
[0011]为了使本申请的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明
。
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请
。
基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0012]需要说明的是，在本申请实施例中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量
。
由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征
。
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内
。
[0013]目前，电商领域安全业务已经开始应用多种反作弊技术，其中，图算法因其有效性被广泛使用
。
图算法是指利用特制的线条算图求得答案的一种简便算法
。
但是，一般情况下，电商领域应用图算法进行反作弊技术识别的结果是所有团队内容，可能既包括作弊团队，也包括非作弊团队，无法直接得到需要的作弊团队数据
。
要想得到正确的作弊团队，还需要对已识别到的所有团队进行筛选和定位
。
其次，通过图算法识别到的作弊团队中往往包含有正常用户，若需准确识别出其中的作弊用户，仍然需要进一步定位
。
[0014]基于上述技术缺陷，本申请实施例提供一种新的电商交易作弊识别方法，根据多个维度的特征建立用户与用户之间的关系，基于用户关系构建图数据，并在通过聚合模型
处理图数据得到多个团队后，能够进一步准确识别出其中的作弊团队和作弊用户
。
[0015]请参阅图1，图1为实现本申请各个实施例的一种应用环境架构图
。
本申请可应用于包括，但不仅限于客户端
2、
服务端
4、
网络6的应用环境中
。
[0016]其中，所述客户端2用于向所述服务端4提供待识别的用户信息和特征数据，以及显示所述服务端4输出的作弊团队
、
作弊用户等
。
所述服务端4用于基于接收到的待识别的用户之间的关系构建图数据，通过聚合模型处理所述图数据得到多个团队，根据基于团队操作行为的团队定位策略，从所述团队中识别作弊团队，以及在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电商交易作弊识别方法，其特征在于，所述方法包括：基于多个用户之间的关系构建图数据，所述图数据由多个节点和多条边组成，所述节点表示用户，所述边表示用户与用户之间建立的关系，所述边的权重表示用户与用户之间建立关系的次数，所述关系根据多个维度的特征数据建立；基于所述图数据，聚合所述多个用户以得到多个团队；根据团队定位策略，从所述多个团队中识别作弊团队，其中，所述团队定位策略是基于团队操作行为的作弊团队定位策略
。2.
根据权利要求1所述的电商交易作弊识别方法，其特征在于，所述基于多个用户之间的关系构建图数据，包括：获取待识别的所有用户信息，将每个用户作为一个节点；根据多个维度的特征建立用户与用户之间的关系，将每一对用户关系作为一条边；将每一对用户之间建立关系的次数作为对应边的权重；通过所述节点和所述边的组合构建所述图数据
。3.
根据权利要求2所述的电商交易作弊识别方法，其特征在于，所述根据多个维度的特征建立用户与用户之间的关系，包括：获取每个用户的多维度特征数据，包括用户
IP
地址
、
设备标识
、
购买机构标识
、
购买商品标识
、
购买商品时间
、
用户注册时间；当任意两个用户之间的任一项所述特征数据相关联时，在所述两个用户之间建立一次关系
。4.
根据权利要求1所述的电商交易作弊识别方法，其特征在于，所述基于所述图数据，聚合所述多个用户以得到多个团队，包括：通过聚合模型处理所述图数据，以根据所述图数据中两个节点之间的所述边和所述边的权重，对所述节点进行聚合，输出聚合结果，所述聚合结果包括所述多个用户对应的多个团队
。5.
根据权利要求4所述的电商交易作弊识别方法，其特征在于，所述通过聚合模型处理所述图数据，包括：所述聚合模型根据所述图数据中的所述边找到每个节点的邻居节点，并基于所述边的权重和最大化模块度增量将相邻的节点聚合为社区，经过多轮迭代后输出聚合结果，其中，所述模块度根据社区内部的边的权重之和及与社区内部的节点相连的边的权重之和得到
。6.
根据权利要求5所述的电商交易作弊识别方法，其特征在于，所述通过聚合模型处理所述图数据，包括：每个节点遍历自己的所有邻居节点，根据与邻居节点之间的边的权重计算与所述邻居节点聚合后的模块度增量；每个节点选择模块度增量最大的邻居节点聚合为一个社区，直至所有节点都不能通过聚合来增加模块度；将每个社区合并为一个新节点，形成新的图数据；针对所述新的图数据重复上述步骤，直至所述模块度不再增大，输出最终聚合出的多个社区，其中，所述多个社区为所述多个团队
。7.
根据权利要求4所述的电商交易作弊识别方法，其特征在于，所述通过聚合模型处理
所述图数据，包括：所述聚合模型将所述图数据中的节点以任意方式按指定规模划分为两个群组，并对不属于同一群组的节点对进行交换，计算交换前后两个群组割集规模的变化量，以改善群组割集规模，经过多轮迭代直至割集规模不再改善，输出聚合结果，其中，所述割集规模变化量根据所述节点对中每个节点的外部权重与内部权重之差及两个群组之间连接的边的权重之和得到
。8.
根据权利要求7所述的电商交易作弊识别方法，其特征在于，所述通过聚合模型处理所述图数据，包括：将所述图数据中的节点以任意方式按指定规模划分为两个群组，对于任意一对不属于同一群组的两个节点，计算节点交换前后两个群组割集规模的变化量；在所有节点对中选择使割集规模减少最多的节点对进行交换，得到两个新的群组；移除被交换过的节点...

【专利技术属性】
技术研发人员：李旭峰，
申请(专利权)人：北京新氧科技有限公司，
类型：发明
国别省市：