网络购物风险识别方法、装置、设备及存储介质与流程

1.本技术涉及网络安全技术领域，尤其涉及一种网络购物风险识别方法、装置、设备及存储介质。


背景技术：

2.随着互联网技术的不断发展，网络购物平台也越来越多样化。然而，伴随着出现了各种网络购物风险问题，如有些不法分子会利用网络购物平台进行恶意刷单，导致部分客户被骗以及客户数据外泄。而网络购物风险往往伴随着双向问题，一方面会降低客户对使用网络的信任度，降低用户粘度，另一方面会对网络公司造成损失。因此，如何有效进行网络购物风险识别是亟待解决的技术问题。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种网络购物风险识别方法、装置、设备及存储介质，以解决现有技术中存在的网络购物风险问题，旨在提高网络购物风险识别的准确性。
4.本技术实施例第一方面提供了一种网络购物风险识别方法，所述方法包括：
5.若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户标识信息；
6.基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据；
7.基于所述第一用户操作数据，获取所述用户的用户画像和风险因子；
8.基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
9.本技术实施例第二方面提供了一种网络购物风险识别装置，所述装置包括：
10.第一获取模块，用于若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户标识信息；
11.第二获取模块，用于基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据；
12.第三获取模块，用于基于所述第一用户操作数据，获取所述用户的用户画像和风险因子；
13.识别模块，用于基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
14.本技术实施例第三方面提供一种网络购物风险识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述线上理赔设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的网络购物风险识别方法的步骤。
15.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的网络购物风
险识别方法的步骤。
16.本技术实施例提供的一种网络购物风险识别方法，与现有技术相比，首先通过在检测到有用户基于预设类别网络平台触发的购物操作后，获取该用户标识信息；然后基于用户标识信息，获取该用户在预设类别网络平台上的所有第一用户操作数据；进而基于第一用户操作数据，获取该用户的用户画像和风险因子，实现基于用户画像、风险因子和目标数据流转库相结合来识别该用户对应的购物风险。能够有效进行网络购物风险识别，旨在提高网络购物风险识别的准确性。
17.本技术实施例第二方面至第四方面提供的有益效果与本技术实施例第一方面提供的有益效果相同，在此不再赘述。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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。
19.图1为本技术一实施例提供的网络购物风险识别方法的实现流程图；
20.图2为本技术一实施例提供的网络购物风险识别方法的应用场景示意图；
21.图3为本技术另一实施例提供的网络购物风险识别方法的实现流程示意图；
22.图4为本技术实施例提供的网络购物风险识别装置的结构框图；
23.图5为本技术实施例提供的网络购物风险识别设备的结构框图。
具体实施方式
24.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
25.本技术实施例所涉及的网络购物风险识别方法，可以由网络购物风险识别设备执行。所述网络购物风险识别设备包括但不限于终端设备或者服务器。其中，所述服务器可以是单个服务器或者云服务器集群等，所述终端设备可以是个人数字设备、笔记本、台式电脑、智能可穿戴设备或者机器人等。在此不做具体限定。
26.本技术实施例所涉及的网络购物风险识别方法，通过在检测到有用户基于预设类别网络平台触发的购物操作后，获取该用户标识信息；然后基于用户标识信息，获取该用户在预设类别网络平台上的所有第一用户操作数据；进而基于第一用户操作数据，获取该用户的用户画像和风险因子，实现基于用户画像、风险因子和目标数据流转库相结合来识别该用户对应的购物风险。能够有效进行网络购物风险识别，旨在提高网络购物风险识别的准确性。
27.下面具体结合附图，对本技术实施例提供的网络购物风险识别方法进行示例性的说明。
28.请参阅图1所示，图1是本技术一实施例提供的网络购物风险识别方法的实现流程图。本技术实施例提供的网络购物风险识别方法可由终端或者服务器执行实现；或者，本申
请实施例提供的网络购物风险识别方法可以由终端和服务器一起执行实现。
29.示例性地，如图2所示，图2为本技术一实施例提供的网络购物风险识别方法的应用场景示意图。由图2可知，在本实施例中，由终端202在检测到有用户基于预设类别网络平台触发的购物操作后，获取用户标识信息后，将获取的用户标识信息发送至服务器204，由服务器204基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据；然后基于所述第一用户操作数据，获取所述用户的用户画像和风险因子；进而结合用户画像、风险因子和目标数据流转库，识别用户对应的购物风险。以解决现有技术中存在的网络购物风险问题，旨在提高网络购物风险识别的准确性。
30.应理解，在该应用场景下，对应终端的计算能力有限，为了提高终端对网络购物风险识别的效率，可以选择由终端获取进行购物操作的用户的用户标识信息，将获取的用户标识信息发送至服务器，由服务器基于用户标识信息进行网络购物风险识别。以实现在提高网络购物风险识别准确性的同时保证网络购物风险识别的效率。
31.在一些应用场景下，当终端的计算能力较强时，可以由终端独自完成对应的网络购物风险识别的过程。
32.以下，以网络购物风险识别方法应用于终端，也就是说由终端独自完成对应的网络购物风险识别过程为例，对本技术实施例提供的网络购物风险识别方法进行示例性地说明。
33.请查阅图1所示，本实施例提供的网络购物风险识别方法包括步骤s101至s104。详述如下：
34.s101，若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户的用户标识信息。
35.具体地，预设类别网络平台包括但不限于各种类别购物app，如淘宝、京东、拼多多等；或者各种类别购物app对应的购物网页等。用户基于预设类别网络平台触发购物操作后，由网络购物风险识别设备，本实施例中为终端获取所述用户的用户标识信息。其中用户标识信息为能够唯一标识用户身份的信息，如登陆账号、手机号、或身份证号码等。
36.s102，基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据。
37.具体地，可以通过统一的接口或者统一的sdk与各预设类别网络平台进行数据交互，实现采集所述第一用户操作数据。其中，所述第一用户操作数据包括但不限于用户的操作时间、操作日志、购物操作路径、用户登陆的网络地址、用户所使用登陆设备的标识信息以及消费数据中的至少之一。
38.s103，基于所述第一用户操作数据，获取所述用户的用户画像和风险因子。
39.在一实施例中，所述基于所述第一用户操作数据，获取所述用户的用户画像和风险因子，包括：将所述第一用户操作数据，与所述用户画像库和所述风险因子库中的的第二用户操作数据进行匹配；基于匹配结果，获取所述用户的用户画像和风险因子。
40.具体地，在本技术的实施例中，预先确定了所述用户画像库和所述风险因子库。在所述用户画像库和所述风险因子库中存储了各第二用户操作数据以及各第二用户操作数据对应的用户画像和风险因子。通过将第一用户操作数据与第二用户操作数据进行匹配，可以得到对应与第一用户操作数据相匹配的用户画像和风险因子。
41.s104，基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
42.其中，所述目标数据流转库包括：基于预设类别网络平台进行购物的中间数据流转库。例如，用户通过预设类别app下单或者预约下单时，可能需要经过销售机构、销售网点、服务商、客服人员等中间步骤进行数据流转，形成交互数据。在本技术的实施例中，由各中间步骤对应的交互数据组成中间数据流传库。通过将用户画像、风险因子和目标数据流转库相结合，来确定用户对应的购物风险，以提高识别购物风险的准确性。具体地，用户画像包括用户购物等级、用户身份标签以及用户购物喜好。用户风险因子包括用户消费金额占用户购买力度的比例。
43.示例性地，基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险，包括：基于所述用户购物等级、用户身份标签以及用户购物喜好，确定所述购物操作对应的物品价格是否在用户对应的用户购物等级内，且是否满足用户身份标签与用户购物喜好；若所述购物操作对应的物品价格在所述用户购物等级内、且满足用户身份标签与用户购物喜好，则确定所述购物操作对应的价格占用户购买力度的比例；若所述购物操作对应的价格占用户购买力度的比例小于或者等于预设比例阈值，则基于目标数据流转库确定所述购物操作的中间步骤对应的交互数据是否与目标数据流传库中的各交互数据相匹配，若相匹配，则确定所述网络购物风险小于预设风险阈值，不存在购物风险。否则，则确定所述网络购物风险大于预设风险阈值，存在购物风险。
44.通过上述分析可知，本技术实施例提供的网络购物风险识别方法，首先通过在检测到有用户基于预设类别网络平台触发的购物操作后，获取该用户标识信息；然后基于用户标识信息，获取该用户在预设类别网络平台上的所有第一用户操作数据；进而基于第一用户操作数据，获取该用户的用户画像和风险因子，实现基于用户画像、风险因子和目标数据流转库相结合来识别该用户对应的购物风险。能够有效进行网络购物风险识别，旨在提高网络购物风险识别的准确性。
45.请参阅图3所示，图3是本技术另一实施例提供的网络购物风险识别方法的实现流程示意图。如图3所述，本实施例提供的网络购物风险识别方法与图1所示的网络购物风险识别方法相比，其中，s303至s306与s101至s104的具体实现过程相同，不同之处在于，在s303之前还包括s301与s302。详述如下：
46.s301，获取各预设类别网络平台上的所有用户的第二用户操作数据。
47.s302，分别基于各用户的所述第二用户操作数据，建立与各所述第二用户操作数据相匹配的用户画像库和风险因子库。
48.所述分别基于各用户的所述第二用户操作数据，建立与各所述第二用户操作数据相匹配的用户画像库和风险因子库，包括：分别对各用户的第二用户操作数据进行用户操作行为分析，得到与各所述第二用户操作数据相匹配的用户画像；基于与各所述第二用户操作数据相匹配的用户画像，生成所述用户画像库；分别对各用户的第二用户操作数据进行风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子；基于与各所述第二用户操作数据相匹配的风险因子，生成所述风险因子库。
49.具体地，所述第二用户操作数据包括操作时间和操作日志；所述分别对各用户的第二用户操作数据进行用户操作行为分析，得到与各所述第二用户操作数据相匹配的用户
画像，包括：从各用户的所述第二用户操作数据中提取操作时间，基于各所述操作时间将各所述第二用户操作数据中的操作日志进行分类，得到各用户的操作日志列表；基于预先训练完成的用户画像分析模型对所述操作日志列表，分别进行用户操作行为分析，基于各用户的操作行为得到与各所述第二用户操作数据相匹配的用户画像。
50.具体地，所述第二用户操作数据还包括用户消费数据；所述分别对各用户的第二用户操作数据进行风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子，包括：分别对各用户的所述用户消费数据进行消费频率和消费金额分析，基于各用户的所述消费频率和所述消费金额，进行各用户的风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子。
51.s303，若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户的用户标识信息。
52.s304，基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据。
53.s305，基于所述第一用户操作数据，获取所述用户的用户画像和风险因子。
54.s306，基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
55.通过上述分析可知，本技术实施例提供的网络购物风险识别方法，通过在检测到有用户基于预设类别网络平台触发的购物操作后，获取该用户标识信息；然后基于用户标识信息，获取该用户在预设类别网络平台上的所有第一用户操作数据；进而基于第一用户操作数据，获取该用户的用户画像和风险因子，实现基于用户画像、风险因子和目标数据流转库相结合来识别该用户对应的购物风险。能够有效进行网络购物风险识别，旨在提高网络购物风险识别的准确性。
56.上述通过图1至图3所示的实施例，对本技术提供的网络购物风险识别方法进行了示例性地说明。下面将结合图4和图5对本技术实施例提供的网络购物风险识别方法适用的装置和设备分别进行示例性地说明。
57.请参阅图4所示，图4是本技术实施例提供的网络购物风险识别装置的结构框图。本实施例中的网络购物风险识别装置包括的各模块可以集成在网络购物风险识别设备，如终端或者服务器中，用于执行上述方法实施例中的各步骤。具体请图1至图3所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，网络购物风险识别装置400包括：
58.第一获取模块401，用于若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户标识信息；
59.第二获取模块402，用于基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据；
60.第三获取模块403，用于基于所述第一用户操作数据，获取所述用户的用户画像和风险因子；
61.识别模块404，用于基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
62.在一实施例中，所述装置400，还包括：
63.第四获取模块，用于获取各预设类别网络平台上的所有用户的第二用户操作数据；
64.建立模块，用于分别基于各用户的所述第二用户操作数据，建立与各所述第二用户操作数据相匹配的用户画像库和风险因子库。
65.在一实施例中，所述第三获取模块403，包括：
66.匹配单元，用于将所述第一用户操作数据，与所述用户画像库和所述风险因子库中的各所述第二用户操作数据进行匹配；
67.获取单元，用于基于匹配结果，获取所述用户的用户画像和风险因子。
68.在一实施例中，所述建立模块，包括：
69.第一得到单元，用于分别对各用户的第二用户操作数据进行用户操作行为分析，得到与各所述第二用户操作数据相匹配的用户画像；
70.第一生成单元，用于基于与各所述第二用户操作数据相匹配的用户画像，生成所述用户画像库；
71.第二得到单元，用于分别对各用户的第二用户操作数据进行风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子；
72.第二生成单元，用于基于与各所述第二用户操作数据相匹配的风险因子，生成所述风险因子库。
73.在一实施例中，所述第二用户操作数据包括操作时间和操作日志；所述第一得到单元，包括：
74.分类子单元，用于从各用户的所述第二用户操作数据中提取操作时间，基于各所述操作时间将各所述第二用户操作数据中的操作日志进行分类，得到各用户的操作日志列表；
75.分析子单元，用于基于预先训练完成的用户画像分析模型对所述操作日志列表，分别进行用户操作行为分析，基于各用户的操作行为得到与各所述第二用户操作数据相匹配的用户画像。
76.在一实施例中，所述第二用户操作数据还包括用户消费数据；
77.所述第二得到单元，具体用于：
78.分别对各用户的所述用户消费数据进行消费频率和消费金额分析，基于各用户的所述消费频率和所述消费金额，进行各用户的风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子。
79.在一实施例中，所述目标数据流转库包括：基于预设类别网络平台进行购物的中间数据流转库。
80.应当理解的是，图4示出的网络购物风险识别装置400的结构框图中，各模块可以集成在网络购物风险识别设备如终端或者服务器中，用于执行图1或者图3对应的实施例中的各步骤，而对于图1或者图3对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1或者图3所对应的实施例中的相关描述，此处不再赘述。
81.下面对能够集成网络购物风险识别装置400的网络购物风险识别设备进行示例性说明。
82.请参阅图5所示，图5是本技术实施例提供的网络购物风险识别设备的结构框图。
如图5所示，该实施例的网络购物风险识别设备500包括：处理器510、存储器520以及存储在所述存储器520中并可在所述处理器510上运行的计算机程序530，例如网络购物风险识别程序。处理器510执行所述计算机程序530时实现上述各个网络购物风险识别方法各实施例中的步骤，例如图1或者图3所示的步骤。或者，所述处理器510执行所述计算机程序530时实现上述图4对应的实施例中各模块或单元的功能，例如，图5所示的模块401至404的功能，具体请参阅图4对应的实施例中的相关描述，此处不赘述。
83.示例性的，所述计算机程序530可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器520中，并由所述处理器510执行，以完成本技术。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序530在所述网络购物风险识别设备500中的执行过程。例如，所述计算机程序530可以被分割成包括：第一获取模块、第二获取模块、第三获取模块以及识别模块；各模块具体功能如图4所述。
84.所述网络购物风险识别设备500可包括，但不仅限于，处理器510、存储器520。本领域技术人员可以理解，图5仅仅是网络购物风险识别设备500的示例，并不构成对网络购物风险识别设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述网络购物风险识别设备500还可以包括输入输出设备、网络接入设备、总线等。
85.所称处理器510可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
86.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
87.若检测到有用户基于预设类别网络平台触发的购物操作，则获取所述用户的用户标识信息；
88.基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据；
89.基于所述第一用户操作数据，获取所述用户的用户画像和风险因子；
90.基于所述用户画像、所述风险因子和目标数据流转库，识别所述用户对应的购物风险。
91.在一实施例中，在所述基于所述用户标识信息，获取所述用户在所述预设类别网络平台上的所有第一用户操作数据之前，还包括：
92.获取各预设类别网络平台上的所有用户的第二用户操作数据；
93.分别基于各用户的所述第二用户操作数据，建立与各所述第二用户操作数据相匹配的用户画像库和风险因子库。
94.在一实施例中，所述基于所述第一用户操作数据，获取所述用户的用户画像和风险因子，包括：
95.将所述第一用户操作数据，与所述用户画像库和所述风险因子库中的各所述第二用户操作数据进行匹配；
96.基于匹配结果，获取所述用户的用户画像和风险因子。
97.在一实施例中，所述分别基于各用户的所述第二用户操作数据，建立与各所述第二用户操作数据相匹配的用户画像库和风险因子库，包括：
98.分别对各用户的第二用户操作数据进行用户操作行为分析，得到与各所述第二用户操作数据相匹配的用户画像；
99.基于与各所述第二用户操作数据相匹配的用户画像，生成所述用户画像库；
100.分别对各用户的第二用户操作数据进行风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子；
101.基于与各所述第二用户操作数据相匹配的风险因子，生成所述风险因子库。
102.在一实施例中，所述第二用户操作数据包括操作时间和操作日志；所述分别对各用户的第二用户操作数据进行用户操作行为分析，得到与各所述第二用户操作数据相匹配的用户画像，包括：
103.从各用户的所述第二用户操作数据中提取操作时间，基于各所述操作时间将各所述第二用户操作数据中的操作日志进行分类，得到各用户的操作日志列表；
104.基于预先训练完成的用户画像分析模型对所述操作日志列表，分别进行用户操作行为分析，基于各用户的操作行为得到与各所述第二用户操作数据相匹配的用户画像。
105.在一实施例中，所述第二用户操作数据还包括用户消费数据；
106.所述分别对各用户的第二用户操作数据进行风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子，包括：
107.分别对各用户的所述用户消费数据进行消费频率和消费金额分析，基于各用户的所述消费频率和所述消费金额，进行各用户的风险因子判定，得到与各所述第二用户操作数据相匹配的风险因子。
108.在一实施例中，所述目标数据流转库包括：基于预设类别网络平台进行购物的中间数据流转库。
109.所述存储器520可以是所述网络购物风险识别设备500的内部存储单元，例如网络购物风险识别设备500的硬盘或内存。所述存储器520也可以是所述网络购物风险识别设备500的外部存储设备，例如所述网络购物风险识别设备500上配备的插接式硬盘，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520还可以既包括所述网络购物风险识别设备500的内部存储单元也包括外部存储设备。所述存储器520用于存储所述计算机程序以及所述网络购物风险识别设备500所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
110.本技术的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术上述各实施例提供的网络购物风险识别方法的步骤。
111.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机
设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
112.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修正，或者对其中部分技术特征进行等同替换；而这些修正或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。