订单分类模型训练方法和装置、订单检测方法和装置与流程

1.本公开涉及信息处理领域，特别涉及一种订单分类模型训练方法和装置、订单检测方法和装置。


背景技术：

2.为了避免盗号下单给合法用户带来的损失，在相关技术中采用了以下几种处理方式：
3.1)基于账号登录地进行检测。通过将比用户经常登录的城市与本次登录城市做比对，如果用户异地登录且进行下单操作，认为账号风险较高，进而增加验证环节。主要通过ip地址获取用户登录地位置。
4.2)基于历史风险库检测。通过结合威胁情报，并对大量用户在一定时间内的下单数据进行积累和打标签，从而形成黑样本和白样本，进一步利用黑样本和白样本进行训练以生成风险识别模型。利用该风险识别模型进行检测并定期更新。
5.3)基于特定规则。例如针对某品类的订单，或者收货地址为某个区域的订单。
6.4)基于设备指纹的账号异常检测。通过对用户历史登录所使用的设备采集相关特征作为设备指纹，检测本次用户登录所使用的设备指纹是否与历史记录中的设备指纹有相同，当历史记录中没有出现本次的设备指纹时，则认为账户可能存在登录风险。


技术实现要素：

7.发明人通过研究发现，在相关技术中采用的方案存在以下缺陷：
8.1)在基于账号登录地进行检测的场景中，一般根据ip地址判断用户登录地点。由于用户使用的宽带运营商具有全国多地nat(network address translation，网络地址转换)出口，或用户使用vpn(virtual private network，虚拟专用网)、代理服务时，该方法极易产生误报。
9.2)在基于历史风险库检测的场景中，严重依赖威胁情报的准确性，导致模型的黑样本准确性不够，模型误报率较高，且需要定期维护更新模型。
10.3)在基于特定规则的场景中，规则的维度相对单一，往往只针对某类具体盗号下单事件起作用，对于特殊的或者突然出现的盗号下单行为，检测能力不足。此外，该种规则往往是盗号下单类安全事件发生后上线的临时规则，时间相对滞后，属于被动止损，缺乏主动识别检测能力。
11.4)在基于设备指纹进行账号异常检测的场景中，检测的准确性依赖于设备指纹的稳定性和覆盖度。用户软件的权限获取限制、众多的厂商设备和操作系统版本会影响设备指纹的稳定性和覆盖度。如果设备指纹不稳定或者覆盖度不够，会导致用户需要频繁验证，用户体验下降。同时，设备指纹不同的技术实现方式，也会存在设备指纹在网络传输中被篡改，注入导致生成伪设备码的风险。
12.据此，本公开提供一种订单分类模型训练方案和对应的订单检测方案。通过利用
异常订单和正常订单之间的差异进行异常订单检测。
13.根据本公开实施例的第一方面，提供一种订单分类模型训练方法，包括：获取指定用户在预设时间范围内的订单信息以生成历史订单库；根据异常订单历史记录，为所述历史订单库中的异常订单添加异常标签；提取出所述历史订单库中各订单的特征信息；将所述各订单的特征信息转换为对应的特征向量；利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。
14.在一些实施例中，异常订单分类模型包括第一分类模型，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练包括：在所述历史订单库中的订单数量小于预设门限的情况下，计算所述历史订单库中的异常订单的特征向量与正常订单的特征向量的欧式距离平均值；将所述欧式距离平均值作为所述第一分类模型的分类参数值。
15.在一些实施例中，异常订单分类模型还包括第二分类模型，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练包括：在所述历史订单库中的订单数量不小于预设门限的情况下，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对所述第二分类模型进行训练，以确定所述第二分类模型的分类参数值。
16.在一些实施例中，所述第二分类模型为k最近邻分类模型；所述第二分类模型的分类参数值为k最近邻分类模型中的k值。
17.在一些实施例中，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对分类模型进行训练包括：分别对所述各异常订单的特征向量和所述各正常订单的特征向量进行降维处理；利用所述各异常订单的降维后的特征向量和所述各正常订单的降维后的特征向量对分类模型进行训练。
18.在一些实施例中，利用bert模型将所述各订单的特征信息转换为对应的特征向量。
19.在一些实施例中，所述订单的特征信息包括所述订单的收货地址、所述订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。
20.根据本公开实施例的第二方面，提供一种订单分类模型训练装置，包括：第一订单获取模块，被配置为获取指定用户在预设时间范围内的订单信息以生成历史订单库；订单识别模块，被配置为根据异常订单历史记录，为所述历史订单库中的异常订单添加异常标签；第一特征信息提取模块，被配置为提取出所述历史订单库中各订单的特征信息；第一特征向量转换模块，被配置为将所述各订单的特征信息转换为对应的特征向量；训练模块，被配置为利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。
21.根据本公开实施例的第三方面，提供一种订单分类模型训练装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
22.根据本公开实施例的第四方面，提供一种订单检测方法，包括：获取用户订单；提取出所述用户订单的特征信息；将所述用户订单的特征信息转换为对应的特征向量；检测是否存在与所述用户相关联的历史订单库；若存在与所述用户相关联的历史订单库，则利
用上述任一实施例所述的订单分类模型训练方法所得到的异常订单分类模型对所述特征向量进行检测，以确定所述用户订单是否为异常订单。
23.在一些实施例中，对所述特征向量进行检测包括：若所述历史订单库中的订单数量小于预设门限，则计算所述用户订单的特征向量与所述历史订单库中的正常订单的特征向量的欧式距离平均值；若所述欧式距离平均值大于利用上述任一实施例所述的订单分类模型训练方法所得到的第一分类模型的分类参数值，则确定所述用户订单为异常订单。
24.在一些实施例中，对所述特征向量进行检测还包括：若所述历史订单库中的订单数量不小于预设门限，则利用上述任一实施例所述的订单分类模型训练方法所得到的第二分类模型对所述用户订单的特征向量与所述历史订单库中各订单的特征向量进行分类处理；在与所述用户订单的特征向量最近邻的k个特征向量中，判断属于正常订单的特征向量是否占多数，其中所述参数k由所述第二分类模型的分类参数值确定；若属于正常订单的特征向量占多数，判定所述用户订单为正常订单；若属于正常订单的特征向量占少数，判定所述用户订单为异常订单。
25.在一些实施例中，在判定所述用户订单为异常订单后，向所述用户发送验证信息，以便对所述用户订单进行验证；若验证成功，则将所述用户订单设置为正常订单；若验证失败，则对所述用户订单进行拦截处理。
26.在一些实施例中，将所述用户订单添加到所述历史订单库，其中在所述用户订单为异常订单时给所述用户订单添加异常标签。
27.根据本公开实施例的第五方面，提供一种订单检测装置，包括：第二订单获取模块，被配置为获取用户订单；第二特征信息提取模块，被配置为提取出所述用户订单的特征信息；第二特征向量转换模块，被配置为将所述用户订单的特征信息转换为对应的特征向量；检测模块，被配置为检测是否存在与所述用户相关联的历史订单库，若存在与所述用户相关联的历史订单库，则利用上述任一实施例所述的异常订单分类模型训练方法所得到的异常订单分类模型对所述特征向量进行检测，以确定所述用户订单是否为异常订单。
28.根据本公开实施例的第六方面，提供一种订单检测装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
29.根据本公开实施例的第七方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
30.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
31.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
32.图1为本公开一个实施例的订单分类模型训练方法的流程示意图；
33.图2为本公开一个实施例的订单分类模型训练装置的结构示意图；
34.图3为本公开另一个实施例的订单分类模型训练装置的结构示意图；
35.图4为本公开一个实施例的订单检测方法的流程示意图；
36.图5为本公开另一个实施例的订单检测方法的流程示意图；
37.图6为本公开一个实施例的订单检测装置的结构示意图；
38.图7为本公开另一个实施例的订单检测装置的结构示意图。
具体实施方式
39.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
40.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
41.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
42.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
43.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
44.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
45.图1为本公开一个实施例的订单分类模型训练方法的流程示意图。在一些实施例中，下列的订单分类模型训练方法步骤由订单分类模型训练装置执行。
46.在步骤101，获取指定用户在预设时间范围内的订单信息以生成历史订单库。
47.例如，获取该用户在最近三个月、最近半年或其它时间范围内的订单信息。
48.在步骤102，根据异常订单历史记录，为历史订单库中的异常订单添加异常标签。
49.例如，从客服反馈系统中提取诸如盗号订单的异常订单，并据此为历史订单库中的异常订单添加相应的异常标签。
50.在一些实施例中，为了避免历史订单库中包括噪声和冗余等不可用数据，通过对历史订单库进行预处理，以便对历史订单库去噪。
51.在步骤103，提取出历史订单库中各订单的特征信息。
52.在一些实施例中，订单的特征信息包括订单的收货地址、订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。
53.例如，可按如下方式构建特征信息。
54.1)基于收货地址构建特征
55.a、按照收货人省份、收货人城市、收货人县级地区分别对应的唯一编号构建特征
56.b、按照收货地址变更时间构建特征
57.c、按照收货地址管理列表中的省份和城市构建新增地址差异特征
58.2)基于购买商品品类构建特征
59.a、按照用户订单商品类目构建特征，包括一级品类名称、二级品类名称、三级品类名称及其组合构建特征
60.b、按照用户订单商品的属性(虚拟商品、实物商品)构建特征
61.c、按照用户订单商品的标签(食物、家电等)构建特征
62.3)、基于优惠券使用信息构建特征
63.a、按照使用优惠券类型构建特征，包括京券、东券、免运费券、联合优惠券等。
64.b、按照优惠券使用门槛构建特征，包括全品类券、限品类券、限商品券、店铺券、店铺限品类/sku券等。
65.c、按照优惠券是否叠加使用构建特征
66.d、按照优惠券领取时间与用户登录时间差构建特征
67.4)基于支付方式构建特征
68.a、按照用户下单选择的支付方式构建特征，包括在线支付、货到付款、公司转账。
69.b、按照用户下单选择的支付方式中是否使用虚拟资产构建特征
70.5)基于热门品类构架特征
71.按照客诉数据和黑产情报数据中排名靠前的品类作为热门品类构建特征。
72.6)基于用户级别构建特征
73.按照会员类型和级别构建用户类型特征，包括plus会员、注册会员、金牌会员等。
74.在步骤104，将各订单的特征信息转换为对应的特征向量。
75.在一些实施例中，利用bert模型将各订单的特征信息转换为对应的特征向量。
76.通过利用bert庞大的通用语料训练的通用语义表示模型以及遮挡语言模型，能够强迫模型从整体上学习上下文信息。例如，根据订单的商品属性、地址信息、付款方式等与历史订单中相同信息的差异程度，计算出订单是异常下单的风险度。
77.例如，在利用bert模型将提取的特征转换成词向量的过程中，将一级品类名称、二级品类名称、三级品类名称、商品名称作为一个组合，将支付方式，收货地址变更，优惠券使用信息作为另一个组合，分别利用bert模型转换成词向量，然后将词向量进行叠加。
78.在步骤105，利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。
79.在一些实施例中，在历史订单库中的订单数量小于预设门限的情况下，计算历史订单库中的异常订单的特征向量与正常订单的特征向量的欧式距离平均值，并将欧式距离平均值作为异常订单分类模型中的第一分类模型的分类参数值。
80.例如，在从实时订单消息队列中提取出用户订单后，计算该用户订单的特征向量与该用户相对应的历史订单库中的正常订单的特征向量的欧式距离平均值，若该欧式距离平均值小于第一分类模型的分类参数值，则可认定该用户订单为正常订单。
81.在另一些实施例中，在历史订单库中的订单数量不小于预设门限的情况下，利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对异常订单分类模型中的第二分类模型进行训练，以确定第二分类模型的分类参数值。
82.在一些实施例中，第二分类模型为knn(k-near neighbor，k最近邻)分类模型，第二分类模型的分类参数值为k最近邻分类模型中的k值。
83.例如，根据第二分类模型的分类结果，若在与用户订单最近邻的k个订单中，若正常订单占多数，则判断该用户订单为正常订单。
84.在一些实施例中，在利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对分类模型进行训练的过程中，首先分别对各异常订单的特征向量和各正常订单的特征向量进行pca(principal components analysis，主成分分析)降维处理，然后利用各异常订单的降维后的特征向量和各正常订单的降维后的特征向量对分类模型进行训练。通过降维处理，可有效减少特征向量的维度，以便后续对分类模型进行训练。
85.图2为本公开一个实施例的订单分类模型训练装置的结构示意图。如图2所示，订单分类模型训练装置包括第一订单获取模块21、订单识别模块22、第一特征信息提取模块23、第一特征向量转换模块24和训练模块25。
86.第一订单获取模块21被配置为获取指定用户在预设时间范围内的订单信息以生成历史订单库。
87.订单识别模块22被配置为根据异常订单历史记录，为历史订单库中的异常订单添加异常标签。
88.例如，从客服反馈系统中提取诸如盗号订单的异常订单，并据此为历史订单库中的异常订单添加相应的异常标签。
89.第一特征信息提取模块23被配置为提取出历史订单库中各订单的特征信息。
90.在一些实施例中，订单的特征信息包括订单的收货地址、订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。
91.第一特征向量转换模块24被配置为将各订单的特征信息转换为对应的特征向量。
92.在一些实施例中，利用bert模型将所述各订单的特征信息转换为对应的特征向量。
93.训练模块25被配置为利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。
94.在一些实施例中，在历史订单库中的订单数量小于预设门限的情况下，训练模块25被配置为计算历史订单库中的异常订单的特征向量与正常订单的特征向量的欧式距离平均值，并将欧式距离平均值作为异常订单分类模型中的第一分类模型的分类参数值。
95.在另一些实施例中，在历史订单库中的订单数量不小于预设门限的情况下，训练模块25被配置为利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对异常订单分类模型中的第二分类模型进行训练，以确定第二分类模型的分类参数值。
96.在一些实施例中，第二分类模型为knn分类模型，第二分类模型的分类参数值为k最近邻分类模型中的k值。
97.在一些实施例中，训练模块25被配置为在利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对分类模型进行训练的过程中，首先分别对各异常订单的特征向量和各正常订单的特征向量进行pca降维处理，然后利用各异常订单的降维后的特征向量和各正常订单的降维后的特征向量对分类模型进行训练。通过降维处理，可有效减少特征向量的维度，以便后续对分类模型进行训练。
98.图3为本公开另一个实施例的订单分类模型训练装置的结构示意图。如图3所示，训练装置包括存储器31和处理器32。
99.存储器31用于存储指令，处理器32耦合到存储器31，处理器32被配置为基于存储器存储的指令执行实现如图1中任一实施例涉及的方法。
100.如图3所示，该装置还包括通信接口33，用于与其它设备进行信息交互。同时，该装置还包括总线34，处理器32、通信接口33、以及存储器31通过总线34完成相互间的通信。
101.存储器31可以包含高速ram存储器，也可还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器31也可以是存储器阵列。存储器31还可能被分块，并且块可按一定的规则组合成虚拟卷。
102.此外，处理器32可以是一个中央处理器cpu，或者可以是专用集成电路asic，或是被配置成实施本公开实施例的一个或多个集成电路。
103.本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1中任一实施例涉及的方法。
104.图4为本公开一个实施例的订单检测方法的流程示意图。在一些实施例中，下列的订单检测方法由订单检测装置执行。
105.在步骤401，获取用户订单。
106.在一些实施例中，从实时订单消息队列中获取用户订单。
107.在步骤402，提取出用户订单的特征信息。
108.在一些实施例中，订单的特征信息包括订单的收货地址、订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。
109.在步骤403，将用户订单的特征信息转换为对应的特征向量。
110.在一些实施例中，利用bert模型将用户订单的特征信息转换为对应的特征向量。
111.在步骤404，检测是否存在与用户相关联的历史订单库。
112.在步骤405，若存在与用户相关联的历史订单库，则利用图1中任一实施例涉及的订单分类模型训练方法所得到的异常订单分类模型对特征向量进行检测，以确定用户订单是否为异常订单。
113.在一些实施例中，若不存在与用户相关联的历史订单库。则表明该用户为新用户，在这种情况下不会用户订单进行处理。
114.在一些实施例中，若历史订单库中的订单数量小于预设门限，则计算用户订单的特征向量与历史订单库中的正常订单的特征向量的欧式距离平均值。若欧式距离平均值大于利用图1的订单分类模型训练方法所得到的第一分类模型的分类参数值，则确定用户订单为异常订单。
115.若欧式距离平均值大于第一分类模型的分类参数值，则表明用户订单的特征向量与历史订单库中的异常订单的特征向量的距离更近，在这种情况下判定该用户订单为异常订单，否则将该用户订单判定为正常订单。
116.在一些实施例中，若历史订单库中的订单数量不小于预设门限，则利用图1所示的订单分类模型训练方法所得到的第二分类模型对用户订单的特征向量与历史订单库中各订单的特征向量进行分类处理。
117.在与用户订单的特征向量最近邻的k个特征向量中，判断属于正常订单的特征向量是否占多数，其中参数k由第二分类模型的分类参数值确定。若属于正常订单的特征向量占多数，判定用户订单为正常订单。若属于正常订单的特征向量占少数，判定用户订单为异
常订单。
118.例如，参数k为5。在与用户订单的特征向量最近邻的5个特征向量中，4个特性向量为正常订单的特征向量，1个特征向量为异常订单的特征向量，则判定该用户订单为正常订单。又例如，在与用户订单的特征向量最近邻的5个特征向量中，3个特性向量为异常订单的特征向量，2个特征向量为正常订单的特征向量，则判定该用户订单为异常订单。
119.图5为本公开另一个实施例的订单检测方法的流程示意图。在一些实施例中，下列的订单检测方法由订单检测装置执行。
120.在步骤501，获取用户订单。
121.在一些实施例中，从实时订单消息队列中获取用户订单。
122.在步骤502，提取出用户订单的特征信息。
123.在一些实施例中，订单的特征信息包括订单的收货地址、订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。
124.在步骤503，将用户订单的特征信息转换为对应的特征向量。
125.在一些实施例中，利用bert模型将用户订单的特征信息转换为对应的特征向量。
126.在步骤504，检测是否存在与用户相关联的历史订单库。
127.在步骤505，若存在与用户相关联的历史订单库，则利用图1中任一实施例涉及的订单分类模型训练方法所得到的异常订单分类模型对特征向量进行检测，以确定用户订单是否为异常订单。
128.在一些实施例中，若不存在与用户相关联的历史订单库。则表明该用户为新用户，在这种情况下不会用户订单进行处理。
129.在一些实施例中，若历史订单库中的订单数量小于预设门限，则计算用户订单的特征向量与历史订单库中的正常订单的特征向量的欧式距离平均值。若欧式距离平均值大于利用图1的订单分类模型训练方法所得到的第一分类模型的分类参数值，则确定用户订单为异常订单。
130.在一些实施例中，若历史订单库中的订单数量不小于预设门限，则利用图1所示的订单分类模型训练方法所得到的第二分类模型对用户订单的特征向量与历史订单库中各订单的特征向量进行分类处理。
131.在与用户订单的特征向量最近邻的k个特征向量中，判断属于正常订单的特征向量是否占多数，其中参数k由第二分类模型的分类参数值确定。若属于正常订单的特征向量占多数，判定用户订单为正常订单。若属于正常订单的特征向量占少数，判定用户订单为异常订单。
132.若用户订单为正常订单，则执行步骤506；若用户订单为异常订单，则执行步骤507。
133.在步骤506，对用户订单进行订单处理。
134.在步骤507，向用户发送验证信息，以便对用户订单进行验证。
135.例如，向用户发送短信以进行验证。若用户确认该用户订单为正常订单，则回复短信进行确认。
136.在步骤508，判断验证是否成功。
137.若验证成功，则执行步骤506；若验证失败，则执行步骤509。
138.若验证成功，则表明该用户订单为正常订单，进而执行后续的订单处理。
139.在步骤509，对用户订单进行拦截处理。
140.例如，拦截处理包括取消用户订单，给用户发送警告信息，结束用户登录状态等操作。
141.在一些实施例中，将用户订单添加到历史订单库，在用户订单为异常订单时给用户订单添加异常标签。
142.在一些实施例中，经过预定时间，根据客户投诉的反馈，对历史订单库中订单的异常标签进行修正。并进一步利用图1所示的方案重新进行模型训练，以得到更新后的
143.图6为本公开一个实施例的订单检测装置的结构示意图。如图6所示，订单检测装置包括第二订单获取模块61、第二特征信息提取模块62、第二特征向量转换模块63和检测模块64。
144.第二订单获取模块61被配置为获取用户订单。
145.第二特征信息提取模块62被配置为提取出用户订单的特征信息。
146.第二特征向量转换模块63被配置为将用户订单的特征信息转换为对应的特征向量。
147.检测模块64被配置为检测是否存在与用户相关联的历史订单库，若存在与用户相关联的历史订单库，则利用图1中任一实施例的异常订单分类模型训练方法所得到的异常订单分类模型对特征向量进行检测，以确定用户订单是否为异常订单。
148.在一些实施例中，若不存在与用户相关联的历史订单库。则表明该用户为新用户，在这种情况下不会用户订单进行处理。
149.在一些实施例中，若历史订单库中的订单数量小于预设门限，则检测模块64计算用户订单的特征向量与历史订单库中的正常订单的特征向量的欧式距离平均值。若欧式距离平均值大于利用图1的订单分类模型训练方法所得到的第一分类模型的分类参数值，则确定用户订单为异常订单。
150.在一些实施例中，若历史订单库中的订单数量不小于预设门限，则检测模块64利用图1所示的订单分类模型训练方法所得到的第二分类模型对用户订单的特征向量与历史订单库中各订单的特征向量进行分类处理。
151.在与用户订单的特征向量最近邻的k个特征向量中，判断属于正常订单的特征向量是否占多数，其中参数k由第二分类模型的分类参数值确定。若属于正常订单的特征向量占多数，判定用户订单为正常订单。若属于正常订单的特征向量占少数，判定用户订单为异常订单。
152.图7为本公开另一个实施例的订单检测装置的结构示意图。如图7所示，订单检测装置包括存储器701、处理器702、通信接口703和总线704。图7与图3的不同之处在于，在图7所示实施例中，处理器702被配置为基于存储器存储的指令执行实现如图4或图5中任一实施例涉及的方法。
153.本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图4或图5中任一实施例涉及的方法。
154.在一些实施例中，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(programmable logic controller，简称：plc)、
数字信号处理器(digital signal processor，简称：dsp)、专用集成电路(application specific integrated circuit，简称：asic)、现场可编程门阵列(field-programmable gate array，简称：fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
155.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
156.本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。