[发明专利]恶意用户识别方法及装置、计算机存储介质、电子设备

说明书

本公开涉及计算机技术领域，提供了一种恶意用户识别方法、恶意用户识别装置、计算机存储介质、电子设备，其中，恶意用户识别方法包括：将用户的购物行为数据对应的特征向量与未知参数的乘积确定为用户的信用评分；将恶意用户的信用评分小于目标阈值的概率和非恶意用户的信用评分小于目标阈值的概率之差定义为检验统计量，并将检验统计量确定为目标函数；基于未知参数的第一赋值，采用迭代算法对目标函数进行优化，得到满足最大化目标函数的第N赋值；当第N赋值和第N‑1赋值满足预设关系时，将特征向量与第N赋值的乘积确定为用户的信用评分；根据信用评分的数值大小，识别用户是否为恶意用户。本公开中的方法能够提高识别准确度。

背景技术

随着计算机和互联网技术的迅速发展，相关互联网信息获取平台也在迅速发展，越来越多的消费者通过网络进行商品浏览、选购和购买。但基于网络的虚拟性，消费者无法真实地体验到商品材质、质量、因此大多数网络购物买家在挑选商品时主要参考不同店铺商品的评价和销量，而这些数据可能存在刷单造假的嫌疑(刷单是指电子购物中的卖家付款请人假扮顾客，用以假乱真的购物方式提高商品的销量，从而提高网店的排名的虚假销售行为)。因而，如何识别出刷单造假的恶意用户，保证用户购买真实性和评价真实性成为相关信息获取平台关注的焦点问题。

目前，一般是根据用户的互联网浏览行为或者购买行为训练相关刷单识别模型，例如：逻辑回归模型或决策树模型等，以基于模型识别用户的刷单行为。然而，由此得到的检验统计量无法达到最优值，识别效果较差。

鉴于此，本领域亟需开发一种新的恶意用户的识别方法及装置。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种恶意用户识别方法、恶意用户识别装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中的识别方法识别效果较差的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种恶意用户识别方法，包括：将用户的购物行为数据对应的特征向量与未知参数的乘积确定为用户的信用评分；将恶意用户的信用评分小于目标阈值的概率和非恶意用户的信用评分小于所述目标阈值的概率之差定义为检验统计量，并将所述检验统计量确定为目标函数；基于所述未知参数的第一赋值，采用迭代算法对所述目标函数进行优化，得到满足最大化目标函数的第N赋值；当所述第N赋值和第N-1赋值满足预设关系时，将所述特征向量与所述第N赋值的乘积确定为所述用户的信用评分；根据所述信用评分的数值大小，识别所述用户是否为恶意用户；其中，N为大于或等于2的正整数。

在本公开的示例性实施例中，所述基于所述未知参数的第一赋值，采用迭代算法对所述目标函数进行优化，得到满足最大化目标函数的第N赋值，包括：根据所述未知参数的第一赋值，确定满足最大化目标函数的关联参数；所述关联参数为与所述未知参数相对应的目标阈值；基于所述关联参数与所述第一赋值，采用迭代算法对所述目标函数进行优化，以得到所述第N赋值。

在本公开的示例性实施例中，当所述第N赋值和第N-1赋值满足以下公式时，将所述第N赋值与所述特征向量的乘积确定为所述用户的信用评分：

|1-β^(N-1)β^(N)|u

其中，||β||＝1，β^(N-1)为所述第N-1赋值，β^(N)为所述第N赋值，u为大于0小于1的有理数。

在本公开的示例性实施例中，所述方法还包括：若所述信用评分小于目标阈值，则确定所述用户为所述恶意用户；对所述恶意用户进行拦截处理。