异常订单检测方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种异常订单检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着互联网技术的发展，各领域的产品交易现在广泛使用线上化、全流程一体化的软件系统来进行出单，比如，保险领域的商业险等。
3.线上出单可以大大地提高出单效率，但是此类出单软件可能存在由于黑客恶意攻击，或是自身开发人员、销售人员操作不当等等造成出单异常的风险。现有技术中，广泛使用业务人员人工检测订单是否异常，但是由于订单的数量较大，往往会积压大量异常订单，影响异常订单检测的实时性，同时人工检测容易漏检，导致检测效率低下。


技术实现要素：

4.本发明提供一种异常订单检测方法、装置、设备及存储介质，其主要目的在于解决异常订单检测效率较低的问题。
5.为实现上述目的，本发明提供的一种异常订单检测方法，包括：
6.获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；
7.根据预构建的特征数据库提取所述分类订单集合中的订单特征；
8.根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；
9.利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；
10.利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
11.可选地，所述根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合，包括：
12.将所述历史订单集合中的异常订单作为负类样本，并添加异常标签；
13.将所述历史订单集合中的非异常订单作为正类样本，并添加正常标签；
14.汇总添加标签的正类样本及负类样本，得到所述分类订单集合。
15.可选地，所述根据所述订单特征训练预构建的深度神经网络，得到异常检测模型，包括：
16.随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量的订单特征，汇总选取的订单特征组成预设个数的训练样本集；
17.利用所述深度神经网络输出所述训练样本集中训练样本的预测率；
18.利用预设的损失函数计算所述预测率的损失值，在所述损失值大于预设的损失阈值时，返回随机随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中
选取第二数量订单特征的步骤，直至所述损失值小于等于所述损失阈值时，确定训练结束，得到所述异常检测模型。
19.可选地，所述利用预设的损失函数计算所述预测率的损失值：
20.利用下述交叉熵损失函数计算所述预测率的损失值：
[0021][0022]
其中，loss为所述损失值，n为所述训练样本集的样本个数，pred
i
为所述第i个样本的预测值，l
i
为第i个样本的标签。
[0023]
可选地，所述利用实时流技术获取实时订单，包括：
[0024]
从预构建的消息中间件中获取实时订单数据流；
[0025]
利用预设的批处理间隔对所述实时订单数据流进行切分，得到包含多个切分数据集合的离散数据流；
[0026]
利用预设的滑动窗口滑动提取所述离散数据流中的切分数据集合，得到批量数据集合；
[0027]
将所述批量数据集合中的订单作为所述实时订单。
[0028]
可选地，所述根据所述订单特征训练预构建的深度神经网络之前，所述方法还包括：
[0029]
根据所述订单特征的特征维度设置特征输入层；
[0030]
在所述特征输入层后构建全连接层、拟合层及输出层，得到所述深度神经网络。
[0031]
可选地，所述根据预构建的特征数据库提取所述分类订单集合中的订单特征，包括：
[0032]
根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型；
[0033]
确定查找到的订单类型对应的特征标签，并从所述分类订单集合中抽取所述特征标签对应的目标文本作为所述订单特征。
[0034]
为了解决上述问题，本发明还提供一种异常订单检测方法装置，所述装置包括：
[0035]
订单分类模块，用于获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；
[0036]
特征提取模块，用于根据预构建的特征数据库提取所述分类订单集合中的订单特征；
[0037]
模型训练模块，用于根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；
[0038]
实时特征获取模块，用于利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；
[0039]
订单检测模块，用于利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0040]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0041]
存储器，存储至少一个计算机程序；及
[0042]
处理器，执行所述存储器中存储的计算机程序以实现上述所述的异常订单检测方
法。
[0043]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的异常订单检测方法。
[0044]
本发明通过对海量的历史订单集合进行分类，可以提取不同订单中的零散订单特征，根据深度神经网络深度挖掘订单特征并学习出有效的异常检测模型，提高了异常订单检测的效率。同时利用实时流技术动态获取每笔实时订单的订单特征，相较于人工检测会积压大量订单，可以提高订单检测的时效性。因此本发明提出的异常订单检测方法、装置、电子设备及计算机可读存储介质，可以解决异常订单检测效率较低的问题。
附图说明
[0045]
图1为本发明一实施例提供的异常订单检测方法的流程示意图；
[0046]
图2为本发明一实施例提供的异常订单检测装置的功能模块图；
[0047]
图3为本发明一实施例提供的实现所述异常订单检测方法的电子设备的结构示意图。
[0048]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0049]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0050]
本技术实施例提供一种异常订单检测方法。所述异常订单检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述异常订单检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0051]
参照图1所示，为本发明一实施例提供的异常订单检测方法的流程示意图。在本实施例中，所述异常订单检测方法包括：
[0052]
s1、获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合。
[0053]
本发明实施例中，所述历史订单集合可以为不同领域的交易订单集合，如保险领域的历史机动车商业保险订单集合、电商领域的用户购物订单等。
[0054]
具体地，所述根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合，包括：
[0055]
将所述历史订单集合中的异常订单作为负类样本，并添加异常标签；
[0056]
将所述历史订单集合中的非异常订单作为正类样本，并添加正常标签；
[0057]
汇总添加标签的正类样本及负类样本，得到所述分类订单集合。
[0058]
本发明实施例中，所述异常订单是指在历史订单集合中已被标记为异常的订单。
例如，保险领域，历史订单集合中的异常订单包括黑客恶意攻击、销售人员操作不当等造成的订单。
[0059]
其中，正类样本的正常标签可以为1，负类样本的异常标签可以为0.
[0060]
本发明一可选实施例中，通过订单的状态将历史订单集合分成两类订单，便于异常检测模型的训练及性能评估。
[0061]
s2、根据预构建的特征数据库提取所述分类订单集合中的订单特征。
[0062]
本发明实施例中，所述分类订单集合中包括不同产品的异常订单(负类样本)及非异常订单(正类样本)，例如，车险订单、商业险订单等产品的异常订单及非异常订单。
[0063]
具体地，所述预构建的特征数据库中包括预先设定的订单类型以及不同订单类型应该提取的特征标签。所述特征标签是反映订单属性的标签。例如，特征数据库中设定机动车商业险应提取的特征标签包括：投保单来源，客户编号，被保险人编号，申请人编号，批次编号，关联车辆编号，坐席编号，现场经理编号，坐席分中心，坐席业务模式，团队长编号，任务组编号，任务编号，是否转介绍，三级机构代码，二级机构代码，渠道来源，业务来源，系统来源，特别条款，保额，保费，订单日期时间，是否投保其他系列产品，是否通融，是否电子保单，业务线等。
[0064]
具体地，所述根据预构建的特征数据库提取所述分类订单集合中的订单特征，包括：
[0065]
根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型；
[0066]
确定查找到的订单类型对应的特征标签，并从所述分类订单集合中抽取所述特征标签对应的目标文本作为所述订单特征。
[0067]
详细地，所述根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型，包括：
[0068]
对所述特征数据库中的订单类型及各订单的标题进行分词处理，得到类型列表及标题列表；
[0069]
根据所述类型列表及标题列表构建编码字典；
[0070]
利用所述编码字典对类型列表及标题列表进行向量编码，得到类型向量及标题向量；
[0071]
利用预设的余弦相似度计算公式计算所述类型向量及标题向量的目标相似度，确定所述目标相似度最高的类型向量所对应的订单类型为查找到的订单类型。
[0072]
本发明可选实施例中，利用下述公式计算相似度：
[0073][0074]
其中，a为所述类型向量，b为所述标题向量。
[0075]
本发明实施例中，以保险领域为例，由于不同的保险订单需要提取不同的订单特征，而每种订单的订单特征会有固定的特征标签，通过匹配特征数据库中的标签可以快速的定位不同订单所需要的特征标签，提高数据处理效率。
[0076]
例如，订单的题目为“xxxx机动车商业险”，通过匹配特征数据库确定订单类型为机动车商业险，并提取订单中的目标文本作为订单特征：投保单来源：xx，客户编号：001，被保险人编号：002，申请人编号：003，批次编号004，关联车辆编号：1234，
…
。
[0077]
s3、根据所述订单特征训练预构建的深度神经网络，得到异常检测模型。
[0078]
本发明一可选实施例中，所述预构建的深度神经网络可以包括六层深度神经网络及一层输出层。其中，第一层为特征输入层，且神经元个数与所述订单特征集合中的特征维度相同；第二层为具有64个神经元的全连接层，采用relu函数做为激活函数；第三、第四层为拟合层，分别为批归一化层和dropout层，用来防止模型过拟合，第五、第六为两个深度全连接层，分别具有32和16个神经元，均采用relu函数作为激活函数，以完成对数据特征的进一步抽象表示；输出层为dense层，采用sigmod函数作为激活函数。整个深度神经网络可以使用交叉熵损失函数计算损失值。
[0079]
详细地，所述根据所述订单特征训练预构建的深度神经网络之前，所述方法还包括：
[0080]
根据所述订单特征的特征维度设置特征输入层；
[0081]
在所述特征输入层后构建全连接层、拟合层及输出层，得到所述深度神经网络。
[0082]
其中，所述特征维度是指每次输入的订单特征的数量。
[0083]
详细地，所述根据所述订单特征训练预构建的深度神经网络，得到异常检测模型，包括：
[0084]
随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量的订单特征，汇总选取的订单特征组成预设个数的训练样本集；
[0085]
利用所述深度神经网络输出所述训练样本集中训练样本的预测率；
[0086]
利用预设的损失函数计算所述预测率的损失值，在所述损失值大于预设的损失阈值时，返回随机随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量订单特征的步骤，直至所述损失值小于等于所述损失阈值时，确定训练结束，得到所述异常检测模型。
[0087]
本发明一可选实施例中，所述利用所述深度神经网络输出所述训练样本集中训练样本的预测率，包括：
[0088]
利用下述预测公式计算所述深度神经网络中训练样本的预测率：
[0089]
pred
i
＝dense(z
i
(train)θ，activation＝’sigmod’)(z
i
)
[0090]
其中，pred
i
为预测率，dense表示深度神经网络的输出层，z
i
(train)为训练样本，activation＝’sigmod’表示输出层的激活函数为sigmod函数，θ为模型参数。
[0091]
本发明实施例中，所述利用预设的损失函数计算所述预测率的损失值：
[0092]
利用下述交叉熵损失函数计算所述预测率的损失值：
[0093][0094]
其中，n为所述训练样本集的样本个数，pred
i
为所述第i个样本的预测值，l
i
为第i个样本的标签。
[0095]
本发明一可选实施例中，所述第一数量及第二数量的比例可以为2∶3，例如，第一数量及第二数量可以分别为40和60。
[0096]
本发明实施例中，采用深度神经网络算法深度挖掘海量历史订单的零散特征并学习出有效的分类模型作为异常检测模型，可以提高对异常订单的检测效率。
[0097]
s4、利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征。
[0098]
本发明实施例中，所述实时流技术可以为apache spark streaming技术，所述apache spark streaming技术可以对实时数据流进行流式处理，具备可扩展、高吞吐和容错等特性。所述apache spark streaming技术通过将数据流转化为弹性分布式数据集(resilient distributed datasets，rdd)来进行高吞吐量的流式计算。
[0099]
本发明实施例中，利用所述特征数据库确定实时订单的类型，并根据确定的订单类型提取实时订单中的目标文本作为实时特征，提取特征的步骤已在s2中进行说明，在此不再赘述。
[0100]
具体地，所述利用实时流技术获取实时订单，包括：
[0101]
从预构建的消息中间件中获取实时订单数据流；
[0102]
利用预设的批处理间隔对所述实时订单数据流进行切分，得到包含多个切分数据集合的离散数据流；
[0103]
利用预设的滑动窗口滑动提取所述离散数据流中的切分数据集合，得到批量数据集合；
[0104]
将所述批量数据集合中的订单作为所述实时订单。
[0105]
本发明一可选实施例中，所述消息中间件可以为kafka消息中间件等。
[0106]
例如，所述批处理间隔(batch interval)可以为2s，则每隔2s对所述实时订单数据流进行切分，得到包含2s订单数据的切分数据集合(即rdd)，所述滑动窗口(window length)可以为10s，则所述批量数据集合中包括5个切分数据集合。通过apache spark streaming技术可以提高实时订单的获取能力。
[0107]
s5、利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0108]
具体地，所述利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果，包括：
[0109]
利用所述异常检测模型输出所述实时特征的异常概率；
[0110]
若所述异常概率小于预设的异常阈值，则确定所述异常检测结果为订单正常；
[0111]
若所述异常概率大于等于所述异常阈值，则确定所述异常检测结果为订单异常，并触发报警。
[0112]
本发明一可选实施例中，例如，通过下述预测公式计算所述异常阈值：
[0113]
pred＝dense(z
i
(new)θ，activation＝’sigmod’)(z
i
)
[0114]
其中，最终的pred为异常概率，z
i
(new)表示实时特征，所述异常阈值可以为0.5，当输出的异常概率大于0.5时，确定实时订单异常，触发异常订单报警功能，将订单信息发送至人工销售坐席，进一步的由人工坐席进行判断和进行后续交易步骤。
[0115]
本发明立足实时计算技术，实时接收每个待成交订单的基本信息，并使用深度神经网络模型，自动智能判别是否存在异常订单，如存在则进一步触发报警系统，由人工销售接管后续的交易流程，大大提高了异常订单检测的效率。
[0116]
本发明通过对海量的历史订单集合进行分类，可以提取不同订单中的零散订单特征，根据深度神经网络深度挖掘订单特征并学习出有效的异常检测模型，提高了异常订单
检测的效率。同时利用实时流技术动态获取每笔实时订单的订单特征，相较于人工检测会积压大量订单，可以提高订单检测的时效性。因此本发明提出的异常订单检测方法，可以解决异常订单检测效率较低的问题。
[0117]
如图2所示，是本发明一实施例提供的异常订单检测装置的功能模块图。
[0118]
本发明所述异常订单检测装置100可以安装于电子设备中。根据实现的功能，所述异常订单检测装置100可以包括订单分类模块101、特征提取模块102、模型训练模块103、实时特征获取模块104及订单检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0119]
在本实施例中，关于各模块/单元的功能如下：
[0120]
所述订单分类模块101，用于获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；
[0121]
所述特征提取模块102，用于根据预构建的特征数据库提取所述分类订单集合中的订单特征；
[0122]
所述模型训练模块103，用于根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；
[0123]
所述实时特征获取模块104，用于利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；
[0124]
所述订单检测模块105，用于利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0125]
详细地，所述异常订单检测装置100各模块的具体实施方式如下：
[0126]
步骤一、获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合。
[0127]
本发明实施例中，所述历史订单集合可以为不同领域的交易订单集合，如保险领域的历史机动车商业保险订单集合、电商领域的用户购物订单等。
[0128]
具体地，所述根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合，包括：
[0129]
将所述历史订单集合中的异常订单作为负类样本，并添加异常标签；
[0130]
将所述历史订单集合中的非异常订单作为正类样本，并添加正常标签；
[0131]
汇总添加标签的正类样本及负类样本，得到所述分类订单集合。
[0132]
本发明实施例中，所述异常订单是指在历史订单集合中已被标记为异常的订单。例如，保险领域，历史订单集合中的异常订单包括黑客恶意攻击、销售人员操作不当等造成的订单。
[0133]
其中，正类样本的正常标签可以为1，负类样本的异常标签可以为0.
[0134]
本发明一可选实施例中，通过订单的状态将历史订单集合分成两类订单，便于异常检测模型的训练及性能评估。
[0135]
步骤二、根据预构建的特征数据库提取所述分类订单集合中的订单特征。
[0136]
本发明实施例中，所述分类订单集合中包括不同产品的异常订单(负类样本)及非异常订单(正类样本)，例如，车险订单、商业险订单等产品的异常订单及非异常订单。
[0137]
具体地，所述预构建的特征数据库中包括预先设定的订单类型以及不同订单类型应该提取的特征标签。所述特征标签是反映订单属性的标签。例如，特征数据库中设定机动车商业险应提取的特征标签包括：投保单来源，客户编号，被保险人编号，申请人编号，批次编号，关联车辆编号，坐席编号，现场经理编号，坐席分中心，坐席业务模式，团队长编号，任务组编号，任务编号，是否转介绍，三级机构代码，二级机构代码，渠道来源，业务来源，系统来源，特别条款，保额，保费，订单日期时间，是否投保其他系列产品，是否通融，是否电子保单，业务线等。
[0138]
具体地，所述根据预构建的特征数据库提取所述分类订单集合中的订单特征，包括：
[0139]
根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型；
[0140]
确定查找到的订单类型对应的特征标签，并从所述分类订单集合中抽取所述特征标签对应的目标文本作为所述订单特征。
[0141]
详细地，所述根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型，包括：
[0142]
对所述特征数据库中的订单类型及各订单的标题进行分词处理，得到类型列表及标题列表；
[0143]
根据所述类型列表及标题列表构建编码字典；
[0144]
利用所述编码字典对类型列表及标题列表进行向量编码，得到类型向量及标题向量；
[0145]
利用预设的余弦相似度计算公式计算所述类型向量及标题向量的目标相似度，确定所述目标相似度最高的类型向量所对应的订单类型为查找到的订单类型。
[0146]
本发明可选实施例中，利用下述公式计算相似度：
[0147][0148]
其中，a为所述类型向量，b为所述标题向量。
[0149]
本发明实施例中，以保险领域为例，由于不同的保险订单需要提取不同的订单特征，而每种订单的订单特征会有固定的特征标签，通过匹配特征数据库中的标签可以快速的定位不同订单所需要的特征标签，提高数据处理效率。
[0150]
例如，订单的题目为“xxxx机动车商业险”，通过匹配特征数据库确定订单类型为机动车商业险，并提取订单中的目标文本作为订单特征：投保单来源：xx，客户编号：001，被保险人编号：002，申请人编号：003，批次编号004，关联车辆编号：1234，
…
。
[0151]
步骤三、根据所述订单特征训练预构建的深度神经网络，得到异常检测模型。
[0152]
本发明一可选实施例中，所述预构建的深度神经网络可以包括六层深度神经网络及一层输出层。其中，第一层为特征输入层，且神经元个数与所述订单特征集合中的特征维度相同；第二层为具有64个神经元的全连接层，采用relu函数做为激活函数；第三、第四层为拟合层，分别为批归一化层和dropout层，用来防止模型过拟合，第五、第六为两个深度全连接层，分别具有32和16个神经元，均采用relu函数作为激活函数，以完成对数据特征的进一步抽象表示；输出层为dense层，采用sigmod函数作为激活函数。整个深度神经网络可以使用交叉熵损失函数计算损失值。
[0153]
详细地，所述根据所述订单特征训练预构建的深度神经网络之前，所述方法还包括：
[0154]
根据所述订单特征的特征维度设置特征输入层；
[0155]
在所述特征输入层后构建全连接层、拟合层及输出层，得到所述深度神经网络。
[0156]
其中，所述特征维度是指每次输入的订单特征的数量。
[0157]
详细地，所述根据所述订单特征训练预构建的深度神经网络，得到异常检测模型，包括：
[0158]
随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量的订单特征，汇总选取的订单特征组成预设个数的训练样本集；
[0159]
利用所述深度神经网络输出所述训练样本集中训练样本的预测率；
[0160]
利用预设的损失函数计算所述预测率的损失值，在所述损失值大于预设的损失阈值时，返回随机随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量订单特征的步骤，直至所述损失值小于等于所述损失阈值时，确定训练结束，得到所述异常检测模型。
[0161]
本发明一可选实施例中，所述利用所述深度神经网络输出所述训练样本集中训练样本的预测率，包括：
[0162]
利用下述预测公式计算所述深度神经网络中训练样本的预测率：
[0163]
pred
i
＝dense(z
i
(train)θ，activation＝’sigmod’)(z
i
)
[0164]
其中，pred
i
为预测率，dense表示深度神经网络的输出层，z
i
(train)为训练样本，activation＝’sigmod’表示输出层的激活函数为sigmod函数，θ为模型参数。
[0165]
本发明实施例中，所述利用预设的损失函数计算所述预测率的损失值：
[0166]
利用下述交叉熵损失函数计算所述预测率的损失值：
[0167][0168]
其中，n为所述训练样本集的样本个数，pred
i
为所述第i个样本的预测值，l
i
为第i个样本的标签。
[0169]
本发明一可选实施例中，所述第一数量及第二数量的比例可以为2∶3，例如，第一数量及第二数量可以分别为40和60。
[0170]
本发明实施例中，采用深度神经网络算法深度挖掘海量历史订单的零散特征并学习出有效的分类模型作为异常检测模型，可以提高对异常订单的检测效率。
[0171]
步骤四、利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征。
[0172]
本发明实施例中，所述实时流技术可以为apache spark streaming技术，所述apache spark streaming技术可以对实时数据流进行流式处理，具备可扩展、高吞吐和容错等特性。所述apache spark streaming技术通过将数据流转化为弹性分布式数据集(resilient distributed datasets，rdd)来进行高吞吐量的流式计算。
[0173]
本发明实施例中，利用所述特征数据库确定实时订单的类型，并根据确定的订单类型提取实时订单中的目标文本作为实时特征，提取特征的操作已在步骤二中进行说明，
在此不再赘述。
[0174]
具体地，所述利用实时流技术获取实时订单，包括：
[0175]
从预构建的消息中间件中获取实时订单数据流；
[0176]
利用预设的批处理间隔对所述实时订单数据流进行切分，得到包含多个切分数据集合的离散数据流；
[0177]
利用预设的滑动窗口滑动提取所述离散数据流中的切分数据集合，得到批量数据集合；
[0178]
将所述批量数据集合中的订单作为所述实时订单。
[0179]
本发明一可选实施例中，所述消息中间件可以为kafka消息中间件等。
[0180]
例如，所述批处理间隔(batch interval)可以为2s，则每隔2s对所述实时订单数据流进行切分，得到包含2s订单数据的切分数据集合(即rdd)，所述滑动窗口(window length)可以为10s，则所述批量数据集合中包括5个切分数据集合。通过apache spark streaming技术可以提高实时订单的获取能力。
[0181]
步骤五、利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0182]
具体地，所述利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果，包括：
[0183]
利用所述异常检测模型输出所述实时特征的异常概率；
[0184]
若所述异常概率小于预设的异常阈值，则确定所述异常检测结果为订单正常；
[0185]
若所述异常概率大于等于所述异常阈值，则确定所述异常检测结果为订单异常，并触发报警。
[0186]
本发明一可选实施例中，例如，通过下述预测公式计算所述异常阈值：
[0187]
pred＝dense(z
i
(new)θ，activation＝’sigmod’)(z
i
)
[0188]
其中，最终的pred为异常概率，z
i
(new)表示实时特征，所述异常阈值可以为0.5，当输出的异常概率大于0.5时，确定实时订单异常，触发异常订单报警功能，将订单信息发送至人工销售坐席，进一步的由人工坐席进行判断和进行后续交易步骤。
[0189]
本发明立足实时计算技术，实时接收每个待成交订单的基本信息，并使用深度神经网络模型，自动智能判别是否存在异常订单，如存在则进一步触发报警系统，由人工销售接管后续的交易流程，大大提高了异常订单检测的效率。
[0190]
本发明通过对海量的历史订单集合进行分类，可以提取不同订单中的零散订单特征，根据深度神经网络深度挖掘订单特征并学习出有效的异常检测模型，提高了异常订单检测的效率。同时利用实时流技术动态获取每笔实时订单的订单特征，相较于人工检测会积压大量订单，可以提高订单检测的时效性。因此本发明提出的异常订单检测装置，可以解决异常订单检测效率较低的问题。
[0191]
如图3所示，是本发明一实施例提供的实现异常订单检测方法的电子设备的结构示意图。
[0192]
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如异常订单检测程序。
[0193]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括
闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如异常订单检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0194]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如异常订单检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0195]
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0196]
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0197]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0198]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0199]
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0200]
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0201]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0202]
所述电子设备中的所述存储器11存储的异常订单检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0203]
获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；
[0204]
根据预构建的特征数据库提取所述分类订单集合中的订单特征；
[0205]
根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；
[0206]
利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；
[0207]
利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0208]
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0209]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0210]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0211]
获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；
[0212]
根据预构建的特征数据库提取所述分类订单集合中的订单特征；
[0213]
根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；
[0214]
利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；
[0215]
利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。
[0216]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0217]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0218]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0219]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0220]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0221]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0222]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0223]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0224]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0225]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。