[发明专利]基于当前订单的差评预警方法、系统、黑名单库建立方法

权利要求书

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；

其中，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，以下对所述多维度评论特征属性进行分别说明：

第一，评论平均分指数：

s₁＝(5-R_buyeravg)/4

s₁表示买家平均分指数，R_buyeravg表示当前历史买家所有评价的平均分，4表示5分和1分之间的分差，其结果表示买家好评度越高，则指数越小，一般用户在评价时大多情况下给予的是好评，当某个用户给予的评分都很低时，则该用户存在极大的差评风险；

第二，评价偏差度指数：

r_product表示商品平均分，r_buyer表示买家评价分，num_{buyerallrating}表示买家全部评价数量，一般正常买家其评价分应与大众的评价相似，其偏差并不会很大，当某个买家进行虚假评价时，其评价分会出现较大的偏差，当一个买家平均偏差较大时，则该买家的风险性较高；

第三，新号概率：

time_now-time_early表示当前时间和买家最早评价时间的日期差，时间跨度越大卖家疑似新号的概率越小，当一个买家其最早的评论小于6个月，则其作为小号的可能性极高；

第四，单日评价率：

num_onedaymax表示买家单日最大评价数量，num_{buyerallrating}表示买家全部评价数量，其结果表示，买家评论集中度，单日评价占比越高，则该买家具有一定的风险，统计结果中，10.9％的用户存在单日评价比大于80％，这类买家小号及虚假买家的概率较高；

第五，低评价商品指数：

num_{productrating}表示商品全部评价数量，若商品评价数量小于是10条，则认为该商品为低评价商品，买家评价该类商品具有一定的风险值，一般买家在购买时，应会选择评论较多的商品，这类商品具有一定的质量保证，当一个买家多次评论，只有少数评论的商品时，则该买家有一定的虚假评论嫌疑；

第六，有帮助指数：

∑num_help表示用户收到的帮助数，num_{buyerallrating}表示买家全部评价数量，当一个买家的差评被较多其他用户认同时，则表明该用户具有一定的可信度；

第七，退货率：

num_return表示退货数量，num_all表示当前买家的全部购买数量；

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；

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。