一种基于区间分割的电商水军识别方法与流程

技术特征：
1.一种基于区间分割的电商水军识别方法，其特征在于包括如下步骤：步骤1，定义三元组数据结构g＝{i,α,r}，分别表示用户、商品和评分；步骤2，假设用户的评分服从正态分布，计算商品历史评分的均值和方差；步骤3，分别计算用户评分的正确率，用户各个评分到对应评分区间的距离之和，以及用户评分的极差；所述步骤3中，计算用户评分的正确率的方法是：步骤a31，利用z
‑
score方法对用户评分进行标准化处理；步骤a32，将标准化处理后的评分进行归类，确定评分区间，在评分区间内的评分认为是正确的评分，否则认为是非正确评分；步骤a33，统计用户正确评分的次数和非正确评分的次数，从而计算用户评分的正确率；步骤4，根据用户评分的正确率和极差，结合用户各个评分到对应评分区间的距离之和，得到用户信誉；步骤5，将用户信誉进行排序，选择信誉最低的前n个用户作为水军，n为设定值。2.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤2中，根据下式计算商品α的历史评分的均值μ
α
：其中，u
α
表示购买商品α的用户集合，|u
α
|表示购买商品α的用户数，r
iα
表示用户i对商品α的评分；根据下式计算商品α的历史评分的方差σ
α
：其中，u
α
表示购买商品α的用户集合，|u
α
|表示购买商品α的用户数，r
iα
表示用户i对商品α的评分，μ
α
表示商品α的历史评分的均值。3.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤a31的具体内容是：根据下式计算标准化后商品α的评分：其中，r
iα
表示用户i对商品α的评分，μ
α
表示商品α的历史评分的均值，σ
α
表示商品α的历史评分的方差。4.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤a33的具体内容是：统计用户正确评分的次数s
i
和非正确评分的次数f
i
，然后利用下式计算用户评分的正确率：
其中，η
i
表示用户i评分的正确率。5.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤3中，计算用户各个评分到对应评分区间的距离之和的公式是：其中，bd表示根据步骤a32确定的评分区间的边界，即
‑
1或者1，当r'
iα
≤
‑
1,bd＝
‑
1，当r'
iα
≥1,bd＝1，否则r'
iα
＝bd；d
i
表示用户i各个评分到对应评分区间的距离之和，o
α
为对商品α评分的用户i的集合；f
i
表示用户i非正确评分的次数。6.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤3中，计算用户评分的极差的公式是：其中，v
i
表示用户i评分的极差，t
ir
表示用户i在各个评分r下的打分次数。7.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤4中，计算用户信誉公式是：其中，r
i
表示用户i的信誉，d
i
表示用户i各个评分到对应评分区间的距离之和，η
i
表示用户i评分的正确率，v
i
表示用户i评分的极差。8.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：所述步骤5中，采用冒泡排序法将用户信誉从小到大进行排序；对于信誉相同的用户，根据其用户编号，将编号大的放在编号小的前面。9.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：采用召回率进行优劣性验证：模拟一定数量的随机评分水军群组和极端评分水军群组并将其标记，根据步骤1
‑
5计算得到信誉最低的l个用户，计算l个用户中被标记用户的占比数，即为召回率：其中，r
c
(l)表示召回率，d'(l)表示选取的l个用户中被标记的人工水军数目，d表示已设置的人工水军的数目；r
c
(l)的数值越高代表辨识出人造水军越多，即效果越好。10.如权利要求1所述的基于区间分割的电商水军识别方法，其特征在于：采用auc判断方法验证步骤1
‑
5计算用户信誉的准确性：将人造水军信誉和其他用户声誉依次比较，统计信誉低于正常用户次数n'，以及等于正常用户信誉的次数n”，根据如下auc计算公式：
其中，n＝n1×
n2，n1为人造水军的数量，n2为其他用户的数量；当随机挑选人造水军信誉均等于正常用户时auc为0.5，当人造水军信誉均低于正常用户时auc为1，那么auc处于[0.5,1]的区间；当auc越高，则人造水军信誉低的次数越多，即辨识度越高。

技术总结
本发明公开一种基于区间分割的电商水军识别方法，步骤是：使用Z


技术研发人员：孙宏亮 刘国鑫 丁俊杰 钱子杰 卜湛 曹杰
受保护的技术使用者：南京财经大学
技术研发日：2021.04.14
技术公布日：2021/11/19