對象控制方法及裝置與流程
本發明涉及計算機應用技術領域，更為具體而言，涉及對象控制方法及裝置。
背景技術：
o2o(onlinetooffline，在線離線/線上到線下)，是指將線下的商務機會與互聯網結合，讓互聯網成為線下交易的平臺。o2o模式充分利用了互聯網跨地域、無邊界、海量信息、海量用戶的優勢，同時充分挖掘線下資源，進而促成線上用戶與線下商品與服務的交易。對本地商家來說，o2o模式要求消費者網站支付，支付信息會成為商家了解消費者購物信息的渠道，方便商家對消費者購買數據的搜集，進而達成精準營銷的目的，更好地維護并拓展客戶。對消費者而言，o2o提供豐富、全面、及時的商家折扣信息，能夠快捷篩選并訂購適宜的商品或服務。對服務提供商來說，o2o模式可帶來大規模高黏度的消費者，進而能爭取到更多的商家資源。因此，o2o模式具有非常可觀的發展前景。
但是，o2o模式面臨著一個必需解決的難題：一些投機的用戶出于商業目的，試圖欺騙平臺，獲取私利，這就造成了干擾交易秩序、破壞用戶體驗的惡劣后果，這些用戶可以稱之為作弊用戶。因此，發現和剔除這種為了商業目的作弊行為，就成為凈化電子商務平臺生態環境，保證網上交易市場健康發展的重要環節。
然而，現有的反作弊方法卻存在作弊用戶識別的準確率低等問題。
技術實現要素：
本發明實施方式提供了對象控制方法及裝置，用以解決現有技術中所存在的作弊用戶識別的準確率較低的問題。
第一方面，本發明實施方式提供了一種對象控制方法。
具體地，所述方法包括：
對監控對象的歷史數據進行信用評分；
預測所述監控對象的異常概率；
基于所述信用評分的結果和所述異常概率對所述監控對象進行控制處理。
由于本發明在對監控對象的歷史數據進行信用評分的基礎上，進一步對所述監控對象的異常概率進行預測處理，因此，能夠更加有效、準確地識別作弊用戶，以解決現有技術中所存在的作弊用戶識別的準確率較低的問題。
結合第一方面，在本發明的一些實現方式中，對監控對象的歷史數據進行信用評分包括：
劃分所述監控對象的評分周期；
對所述監控對象在所述評分周期中的歷史數據進行周期評分；
匯總所述周期評分的結果以進行所述信用評分。
由于本發明中先分周期地進行周期評分，再匯總所述周期評分的結果以進行信用評分，因此，可以降低計算成本并且還可以有效防止部分數據特征被弱化，提高作弊用戶識別的召回率。
結合第一方面，在本發明的一些實現方式中，對所述監控對象在所述評分周期中的歷史數據進行周期評分包括：
根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分；
匯總所述維度評分的結果以進行所述周期評分。
由于本發明中先分維度地進行維度評分，再匯總所述維度評分的結果以進行所述周期評分，因此，可以進一步降低計算成本。
結合第一方面，在本發明的一些實現方式中，匯總所述周期評分的結果以進行所述信用評分包括：
依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
由于本發明中基于評分周期的權重進行匯總處理，因此，可以通過權重來調整不同評分周期在信用評分中的影響比重，從而提高信用評分結果的置信度。
結合第一方面，在本發明的一些實現方式中，預測所述監控對象的異常概率包括：
基于所述信用評分的結果生成訓練樣本；
利用所述訓練樣本訓練機器學習模型；
通過所述機器學習模型預測所述監控對象的異常概率。
由于本發明中可以基于信用評分的結果生成訓練樣本，因此能夠更加智能、高效地擴充訓練樣本。
第二方面，本發明實施方式提供了一種對象控制裝置。
具體地，所述裝置包括：
評分模塊，用于對監控對象的歷史數據進行信用評分；
預測模塊，用于預測所述監控對象的異常概率；
控制模塊，用于基于所述信用評分的結果和所述異常概率對所述監控對象進行控制處理。
由于本發明在對監控對象的歷史數據進行信用評分的基礎上，進一步對所述監控對象的異常概率進行預測處理，因此，能夠更加有效、準確地識別作弊用戶，以解決現有技術中所存在的作弊用戶識別的準確率較低的問題。
結合第二方面，在本發明的一些實現方式中，所述評分模塊包括：
劃分單元，用于劃分所述監控對象的評分周期；
評分單元，用于對所述監控對象在所述評分周期中的歷史數據進行周期評分；
匯總單元，用于匯總所述周期評分的結果以進行所述信用評分。
由于本發明中先分周期地進行周期評分，再匯總所述周期評分的結果以進行信用評分，因此，可以降低計算成本并且還可以有效防止部分數據特征被弱化，提高作弊用戶識別的召回率。
結合第二方面，在本發明的一些實現方式中，所述評分單元包括：
評分組件，用于根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分；
匯總組件，用于匯總所述維度評分的結果以進行所述周期評分。
由于本發明中先分維度地進行維度評分，再匯總所述維度評分的結果以進行所述周期評分，因此，可以進一步降低計算成本。
結合第二方面，在本發明的一些實現方式中，
所述匯總單元具體用于依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
由于本發明中基于評分周期的權重進行匯總處理，因此，可以通過權重來調整不同評分周期在信用評分中的影響比重，從而提高信用評分結果的置信度。
結合第二方面，在本發明的一些實現方式中，所述預測模塊包括：
生成單元，用于基于所述信用評分的結果生成訓練樣本；
訓練單元，用于利用所述訓練樣本訓練機器學習模型；
預測單元，用于通過所述機器學習模型預測所述監控對象的異常概率。
由于本發明中可以基于信用評分的結果生成訓練樣本，因此能夠更加智能、高效地擴充訓練樣本。
本發明的這些方面或其他方面在以下具體實施方式的描述中會更加簡明易懂。
附圖說明
為了更清楚地說明本發明實施方式的技術方案，下面將對實施方式描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是根據本發明方法實施方式1的對象控制方法的流程圖；
圖2示出了圖1所示的處理s11的一種實施方式；
圖3示出了圖2所示的處理s112的一種實施方式；
圖4示出了圖1所示的處理s12的一種實施方式；
圖5示出了圖4所示的處理s121的一種實施方式；
圖6是根據本發明裝置實施方式1的對象控制裝置的結構示意圖；
圖7示出了圖6所示的評分模塊11的一種實施方式；
圖8示出了圖7所示的評分單元112的一種實施方式；
圖9示出了圖6所示的預測模塊12的一種實施方式；
圖10示出了圖9所示的生成單元121的一種實施方式。
具體實施方式
以下結合附圖和具體實施方式對本發明的各個方面進行詳細闡述。其中，在本發明的各個具體實施方式中，眾所周知的操作過程、模塊、單元及其相互之間的連接、鏈接、通信或操作沒有示出或未作詳細說明。
并且，所描述的特征、架構或功能可在一個或一個以上實施例中以任何方式組合。
此外，本領域技術人員應當理解，下述的各種實施方式只用于舉例說明，而非用于限制本發明的保護范圍。本領域的技術人員還可以容易理解，本文所述和附圖所示的各實施方式中的模塊、單元或步驟可以按多種不同配置進行組合和設計。
對于未在本說明書中進行具體說明的技術術語，除非另有特定說明，都應以本領域最寬泛的意思進行解釋。
在本發明的說明書和權利要求書及上述附圖中的描述的一些流程中，包含了按照特定順序出現的多個操作，但是應該清楚了解，這些操作可以不按照其在本文中出現的順序來執行或并行執行，操作的序號如101、102等，僅僅是用于區分開各個不同的操作，序號本身不代表任何的執行順序。另外，這些流程可以包括更多或更少的操作，并且這些操作可以按順序執行或并行執行。需要說明的是，本文中的“第一”、“第二”等描述，是用于區分不同的消息、設備、模塊等，不代表先后順序，也不限定“第一”和“第二”是不同的類型。
下面將結合附圖，對本發明實施方式中的技術方案進行清楚、完整地描述，顯然，所描述的實施方式僅僅是本發明的一部分實施方式，而不是全部的實施方式。基于本發明中的實施方式，本領域技術人員在沒有付出創造性勞動的前提下所獲得的所有其他實施方式，都屬于本發明保護的范圍。
【方法實施方式1】
圖1是根據本發明方法實施方式1的對象控制方法的流程圖。參見圖1，在本實施方式中，所述方法包括：
s11：對監控對象的歷史數據進行信用評分。
s12：預測所述監控對象的異常概率。
s13：基于所述信用評分的結果和所述異常概率對所述監控對象進行控制處理。
其中，所述監控對象例如包括但不限于：用戶對象、商戶對象、以及騎士對象等不同角色。
并且，所述歷史數據例如包括但不限于：監控對象的屬性數據(以用戶對象為例，屬性數據例如包括但不限于：用戶的身份證號、支付寶賬號、綁定的銀行卡號、綁定的手機號、設備號、sim(subscriberidentificationmodule，客戶識別模塊)卡的標識符編碼等)、以及監控對象的行為數據等。其中，行為數據例如包括但不限于：事前行為數據、應用程序的操作行為數據、以及訂單行為數據等。這些行為數據的具體內容將在下文中結合具體示例進行詳細闡述。
由于本發明在對監控對象的歷史數據進行信用評分的基礎上，進一步對所述監控對象的異常概率進行預測處理，因此，能夠更加有效、準確地識別作弊用戶，以解決現有技術中所存在的作弊用戶識別的準確率較低的問題。
【方法實施方式2】
本實施方式所提供的方法包括了方法實施方式1中的全部內容，在此不再贅述。如圖2所示，在本實施方式中，通過下述方式實現處理s11：
s111：劃分所述監控對象的評分周期。
s112：對所述監控對象在所述評分周期中的歷史數據進行周期評分。
s113：匯總所述周期評分的結果以進行所述信用評分。
例如，可以以一個月作為一個評分周期，當然本發明不限于此，本領域的技術人員可以根據實際需要，按照其他合理的時間長度劃分評分周期。
由于本發明中先分周期地進行周期評分，再匯總所述周期評分的結果以進行信用評分，因此，可以降低計算成本并且還可以有效防止部分數據特征被弱化，提高作弊用戶識別的召回率。
【方法實施方式3】
本實施方式所提供的方法包括了方法實施方式2中的全部內容，在此不再贅述。如圖3所示，在本實施方式中，通過下述方式實現處理s112：
s1121：根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分。
s1122：匯總所述維度評分的結果以進行所述周期評分。
所述監控維度例如包括但不限于：訂單行為異常維度、應用程序操作異常維度、關聯異常維度、銷量異常維度、事前行為異常維度、以及訂單行為正常維度等。
由于本發明中先分維度地進行維度評分，再匯總所述維度評分的結果以進行所述周期評分，因此，可以進一步降低計算成本。
【方法實施方式4】
本實施方式所提供的方法包括了方法實施方式2或方法實施方式3中的全部內容，在此不再贅述。在本實施方式中，通過下述方式實現處理s113：
依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
所述權重例如包括但不限于：影響權重和衰減權重等。
由于本發明中基于評分周期的權重進行匯總處理，因此，可以通過權重來調整不同評分周期在信用評分中的影響比重，從而提高信用評分結果的置信度。
【方法實施方式5】
本實施方式所提供的方法包括了方法實施方式1至方法實施方式4中任一項的全部內容，在此不再贅述。如圖4所示，在本實施方式中，通過下述方式實現處理s12：
s121：基于所述信用評分的結果生成訓練樣本。
s122：利用所述訓練樣本訓練機器學習模型。
s123：通過所述機器學習模型預測所述監控對象的異常概率。
所述訓練樣本例如包括但不限于：異常訓練樣本和正常訓練樣本。
由于本發明中可以基于信用評分的結果生成訓練樣本，因此能夠更加智能、高效地擴充訓練樣本。
【方法實施方式6】
本實施方式所提供的方法包括了方法實施方式5中的全部內容，在此不再贅述。如圖5所示，在本實施方式中，通過下述方式實現處理s121：
s1211：將所述信用評分的結果與設定閾值進行比較，若所述信用評分的結果小于設定閾值，則執行s1212，若所述信用評分的結果大于或者等于設定閾值，則執行s1213。
s1212：生成異常訓練樣本。
s1213：生成正常訓練樣本。
其中，訓練樣本基于用戶的行為特征數據生成。
【方法實施方式7】
下面以對用戶對象進行監控為例，對本實施方式所提供的對象控制方法進行描述。所述方法主要包括：信用評分(健康度評分)處理、異常概率預測處理、控制處理三大部分。
一、信用評分處理具體包括如下內容：
處理1：獲取數據。
(1)獲取唯一性維度數據。
由于當用戶下單時，在日志中記錄了代表用戶屬性的多維度信息，因此可以從日志中提取這些信息。具體而言，例如提取出用戶的身份證號碼、支付寶賬號、綁定的手機號碼、sim卡的標識符編碼(id)、綁定的銀行卡號、微信賬號、以及設備號等。并且，對提取出的多維度信息進行連通圖關聯，生成用戶的唯一標識符，從而得到用戶的自然人維度信息，例如：該用戶擁有多少臺設備、擁有多少個百度體系賬號等。
(2)獲取事前維度數據。
用戶在進行下單操作時，可能會命中諸如跨城市下單等策略。對此，可以通過分析日志來提取相關數據(例如，定位數據以及下單地域數據等)，并對提取出的數據加以整合以得到綜合的事前維度數據。
(3)獲取行為路徑維度數據。
例如：修改召回地址的次數以及進行下單操作時所經過的節點數等。
(4)獲取訂單維度數據。
用戶可能會命中短時間內頻繁下單，或者，作為業務人員進行下單等策略。對此，可以通過深度挖掘訂單的可用信息，并且結合業務人員、騎士等角色的額外信息，來提取出用戶關于訂單維度的數據。
處理2：月度模塊(維度)化評分。
(1)獲取當前用戶在截止到當天為止的前一個月(當然本發明不限于此，本領域的技術人員可以根據實際需要，選用其他合理的時間長度)內，在每一個模塊(維度)下的評分。
具體而言，在本實施方式中，需要從獲取的數據中提取用戶的以下信息：
a、用戶固有屬性信息，例如用于識別當前用戶所使用的手機號碼是否為虛擬號碼等；
b、應用程序(app)操作信息，例如涉及搜索次數等信息；
c、訂單信息，例如用于識別當前用戶是否針對特定商戶集中下單等；
d、團體行為信息，例如用于識別是否存在抱團下單(例如，同一自然人用戶利用多臺設備或者多個賬號進行下單)等行為；
e、設備信息，例如涉及加速度向量等信息，用于識別當前用戶所使用的設備是否為模擬器等；
f、支付信息，例如用于識別當前用戶是否存在異常支付行為等。
此外，將以上不同信息分別進行數字化，以為之后的處理奠定基礎。舉例而言：
例如，用戶固有屬性信息經過數字化之后變成0或1，其中，1代表當前用戶所使用的手機號碼是虛擬號碼，0代表當前用戶所使用的手機號碼不是虛擬號碼。
針對前述每一種信息，分別設置異常閾值(可以根據統計和業務經驗加以設置)。一旦信息經數字化后所得的結果大于或等于異常閾值，則表明當前用戶命中異常策略。舉例而言：
例如，當前用戶的用戶固有屬性信息經數字化后所得的結果為1，其中，用戶固有屬性信息的異常閾值為1，則表明當前用戶命中異常策略“使用虛擬手機號”。
根據數據分析與行業經驗的結合，我們將前述異常策略分在以下六個不同的模塊(維度)：訂單行為異常模塊、應用程序操作異常模塊、關聯異常模塊、銷量異常模塊、事前行為異常模塊、以及訂單行為正常模塊。并且對不同的異常策略，設定不同的權重。
在本實施方式中，通過下述公式計算當前用戶在模塊(維度)m下的評分：
sm＝∑rwrhr公式(1)
其中，sm表示模塊m的評分，wr表示模塊m中異常策略r的權重，hr表示當前用戶是否命中異常策略r。
(2)匯總全部模塊的評分。
在本實施方式中，例如可以通過下述公式將不同模塊的評分進行結合：
sm,n＝wmsm+wnsn公式(2)
其中，sm,n表示將模塊m和模塊n的評分進行結合之后所得的評分，sm表示模塊m的評分，wm表示模塊m的權重，sn表示模塊n的評分，wn表示模塊n的權重。
在所有模塊的評分以及不同模塊結合之后所得的評分中，選取出最大值。并且，將該最大值進行標準化以提高最終結果的解釋性。具體而言，可以通過標準化實現：最終評分與用戶的健康度正相關；以及，最終評分落入設定的區間范圍內。最后，將經標準化后所得的數值作為該月度的最終評分。示例性地，在本實施方式中，例如可以采用下述標準化函數：
其中，s表示經標準化后所得的數值，s0表示待進行標準化的數值，smax表示區間內的最大分數，smin表示區間內的最小分數，t表示設定的閾值。
處理3：匯總各月度的評分結果以得到最終的信用評分。
(1)設置時間衰減函數以及異常權重函數。
其中，時間衰減函數主要涉及以下幾方面：
a、起始節點：例如以用戶最近一次下單的時間作為起始節點；
b、衰減方式：例如以指數級遞減的方式衰減；
當然本發明不限于此，本領域的技術人員可以根據實際需要采用其他衰減方式，例如，以線性遞減的方式衰減。
c、結束節點：例如以用戶第一次進入交易場景的時間作為結束節點；
d、過期節點：例如超出預設范圍的時間節點。
在本實施方式中，出于以下內容的考慮：較低分數(異常用戶)的影響力度要高于較高分數(正常用戶)的影響力度。在衰減函數里面對異常用戶和正常用戶分別設置不同的影響權重，示例性地，在本實施方式中，例如可以采用以下異常權重函數：
g(s)＝6l(s)+0.4b(s)公式(4)
其中，s表示月度評分，當s>50時，l(s)＝0，當s≤50時，l(s)＝1；當s＝100時，b(s)＝1，當s≠100時，b(s)＝0。
(2)利用時間衰減函數以及異常權重函數，匯總各月度的評分結果以得
到最終的信用評分。
在本實施方式中，例如可以通過以下公式結合各月度的評分：
其中，st表示結合各月度評分的最終信用評分，t表示當前時間，t1、t2、t3…分別表示之前的各時間節點(以月為周期)，
二、預測用戶的異常概率。
通過上述信用評分處理可以得到黑名單用戶(異常用戶)和白名單用戶(正常用戶)，分別利用黑名單用戶和白名單用戶的行為特征數據，生成異常訓練樣本和正常訓練樣本，再結合通過人工標簽等其他途徑得到的訓練樣本，訓練機器學習模型(包括但不限于lr(logisticregression，邏輯回歸)、gbdt(gradientboostdecisiontree，迭代決策樹)等)。利用訓練后的機器學習模型預測異常概率。
三、結合前述信用評分以及異常概率對用戶進行控制處理。
示例性地，若用戶的信用評分小于或等于40，異常概率大于90％，則限制該用戶享受平臺優惠，若用戶的信用評分大于40并且小于或等于50，異常概率大于80％并且小于或等于90％，則限制該用戶享受自配送優惠，若用戶的信用評分大于50并且小于或等于60，異常概率大于70％并且小于或等于80％，則限制該用戶享受店鋪優惠，若用戶的信用評分大于60并且小于或等于70，異常概率大于50％并且小于或等于70％，則對該用戶進行監控。
當然本發明不限于，本領域的技術人員可以根據實際需要，采用其他合理數值，設定信用評分和異常概率在不同控制處理下的閾值。
【裝置實施方式1】
圖6是根據本發明裝置實施方式1的對象控制裝置的結構示意圖。參見圖6，對象控制裝置1包括：評分模塊11、預測模塊12、以及控制模塊13，具體地：
評分模塊11用于對監控對象的歷史數據進行信用評分。
預測模塊12用于預測所述監控對象的異常概率。
控制模塊13用于基于評分模塊11中信用評分的結果和預測模塊12預測的異常概率對所述監控對象進行控制處理。
其中，所述監控對象例如包括但不限于：用戶對象、商戶對象、以及騎士對象等不同角色。
并且，所述歷史數據例如包括但不限于：監控對象的屬性數據(以用戶對象為例，屬性數據例如包括但不限于：用戶的身份證號、支付寶賬號、綁定的銀行卡號、綁定的手機號、設備號、sim(subscriberidentificationmodule，客戶識別模塊)卡的標識符編碼等)、以及監控對象的行為數據等。其中，行為數據例如包括但不限于：事前行為數據、應用程序的操作行為數據、以及訂單行為數據等。
由于本發明在對監控對象的歷史數據進行信用評分的基礎上，進一步對所述監控對象的異常概率進行預測處理，因此，能夠更加有效、準確地識別作弊用戶，以解決現有技術中所存在的作弊用戶識別的準確率較低的問題。
【裝置實施方式2】
本實施方式所提供的裝置包括了裝置實施方式1中的全部內容，在此不再贅述。如圖7所示，在本實施方式中，評分模塊11包括：劃分單元111、評分單元112、以及匯總單元113，具體地：
劃分單元111用于劃分所述監控對象的評分周期。
評分單元112用于對所述監控對象在劃分單元111所劃分評分周期中的歷史數據進行周期評分。
匯總單元113用于匯總評分單元112中周期評分的結果以進行所述信用評分。
例如，可以以一個月作為一個評分周期，當然本發明不限于此，本領域的技術人員可以根據實際需要，按照其他合理的時間長度劃分評分周期。
由于本發明中先分周期地進行周期評分，再匯總所述周期評分的結果以進行信用評分，因此，可以降低計算成本并且還可以有效防止部分數據特征被弱化，提高作弊用戶識別的召回率。
【裝置實施方式3】
本實施方式所提供的裝置包括了裝置實施方式2中的全部內容，在此不再贅述。如圖8所示，在本實施方式中，評分單元112包括評分組件1121以及匯總組件1122，具體地：
評分組件1121用于根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分。
匯總組件1122用于匯總評分組件1121中維度評分的結果以進行所述周期評分。
所述監控維度例如包括但不限于：訂單行為異常維度、應用程序操作異常維度、關聯異常維度、銷量異常維度、事前行為異常維度、以及訂單行為正常維度等。
由于本發明中先分維度地進行維度評分，再匯總所述維度評分的結果以進行所述周期評分，因此，可以進一步降低計算成本。
【裝置實施方式4】
本實施方式所提供的裝置在結構上與裝置實施方式2相同。其區別在于，在本實施方式中，匯總單元113具體用于依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分，即匯總單元113具體通過以下方式來實現匯總評分單元112中周期評分的結果以進行所述信用評分：依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
所述權重例如包括但不限于：影響權重和衰減權重等。
由于本發明中基于評分周期的權重進行匯總處理，因此，可以通過權重來調整不同評分周期在信用評分中的影響比重，從而提高信用評分結果的置信度。
【裝置實施方式5】
本實施方式所提供的裝置包括了裝置實施方式1至裝置實施方式4中任一項的全部內容，在此不再贅述。如圖9所示，在本實施方式中，預測模塊12包括：生成單元121、訓練單元122、以及預測單元123，具體地：
生成單元121用于基于所述信用評分的結果生成訓練樣本。
訓練單元122用于利用生成單元121生成的訓練樣本訓練機器學習模型。
預測單元123用于通過經訓練單元122訓練后的機器學習模型，預測所述監控對象的異常概率。
所述訓練樣本例如包括但不限于：異常訓練樣本和正常訓練樣本。
由于本發明中可以基于信用評分的結果生成訓練樣本，因此能夠更加智能、高效地擴充訓練樣本。
【裝置實施方式6】
本實施方式所提供的方法包括了裝置實施方式5中的全部內容，在此不再贅述。如圖10所示，在本實施方式中，生成單元121包括：比較組件1211、異常樣本生成組件1212、以及正常樣本生成組件1213，具體地：
比較組件1211用于將所述信用評分的結果與設定閾值進行比較。
異常樣本生成組件1212用于在比較組件1211比較出所述信用評分的結果小于設定閾值的情形下，生成異常訓練樣本。
正常樣本生成組件1213用于在比較組件1211比較出所述信用評分的結果大于或者等于設定閾值的情形下，生成正常訓練樣本。
其中，訓練樣本基于用戶的行為特征數據生成。
本發明的實施方式還提供了一種移動終端，包括存儲器和處理器；其中，
所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令供所述處理器調用執行；
所述處理器用于進行如方法實施方式1至方法實施方7中任意一項所述的操作。
此外，本發明的實施方式還提供一種計算機存儲介質，所述計算機存儲介質存儲有一條或多條計算機指令，當所述一條或多條計算機指令被一個或多個設備執行時，使得所述設備執行方法實施方式1至方法實施方式7中任意一項所述的操作。
本領域的技術人員可以清楚地了解到本發明可全部通過軟件實現，也可借助軟件結合硬件平臺的方式來實現。基于這樣的理解，本發明的技術方案對背景技術做出貢獻的全部或者部分可以以軟件產品的形式體現出來，所述計算機軟件產品可以存儲在存儲介質中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，智能手機或者網絡設備等)執行本發明各個實施方式或者實施方式的某些部分所述的方法。
本文中所使用的“軟件”等詞均指一般意義上的任意類型的計算機編碼或者計算機可執行指令集，可以運行所述編碼或者指令集來使計算機或其他處理器程序化以執行如上所述的本發明的技術方案的各個方面。此外，需要說明的是，根據實施方式的一個方面，在執行時實施本發明的技術方案的方法的一個或多個計算機程序不必須要在一臺計算機或處理器上，而是可以分布于多個計算機或者處理器中的模塊中，以執行本發明的技術方案的各個方面。
計算機可執行指令可以有許多形式，如程序模塊，可以由一臺或多臺計算機或是其他設備執行。一般地，程序模塊包括例程、程序、對象、組件以及數據結構等等，執行特定的任務或是實施特定的抽象數據類型。特別地，在各種實施方式中，程序模塊的功能可以根據各個不同實施方式的需要進行結合或者拆分。
并且，本發明的技術方案可以體現為一種方法，并且已經提供了所述方法的至少一個示例。可以通過任何一種合適的順序執行動作，所述動作表現為所述方法中的一部分。因此，實施方式可以構造成可以按照與所示出的執行順序不同的順序執行動作，其中，可以包括同時地執行一些動作(盡管在示出的實施方式中，這些動作是連續的)。
本文所給出的和使用的定義，應當對照字典、通過引用而并入的文檔中的定義、和/或其通常意思進行理解。
在權利要求書中以及上述的說明書中，所有的過度短語，例如“包括”、“具有”、“包含”、“承載”、“具有”、“涉及”、“主要由…組成”以及類似詞語是應理解為是開放式的，即，包含但不限于。只有“由……組成”應該是封閉或半封閉的過度短語。
本發明說明書中使用的術語和措辭僅僅為了舉例說明，并不意味構成限定。本領域技術人員應當理解，在不脫離所公開的實施方式的基本原理的前提下，對上述實施方式中的各細節可進行各種變化。因此，本發明的范圍只由權利要求確定，在權利要求中，除非另有說明，所有的術語應按最寬泛合理的意思進行理解。
本發明公開了a1、一種對象控制方法，包括：
對監控對象的歷史數據進行信用評分；
預測所述監控對象的異常概率；
基于所述信用評分的結果和所述異常概率對所述監控對象進行控制處理。
a2、如a1所述的方法中，對監控對象的歷史數據進行信用評分包括：
劃分所述監控對象的評分周期；
對所述監控對象在所述評分周期中的歷史數據進行周期評分；
匯總所述周期評分的結果以進行所述信用評分。
a3、如a2所述的方法中，對所述監控對象在所述評分周期中的歷史數據進行周期評分包括：
根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分；
匯總所述維度評分的結果以進行所述周期評分。
a4、如a2所述的方法中，匯總所述周期評分的結果以進行所述信用評分包括：
依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
a5、如a1至a4中任一項所述的方法中，預測所述監控對象的異常概率包括：
基于所述信用評分的結果生成訓練樣本；
利用所述訓練樣本訓練機器學習模型；
通過所述機器學習模型預測所述監控對象的異常概率。
a6、如a5所述的方法中，基于所述信用評分的結果生成訓練樣本包括：
將所述信用評分的結果與設定閾值進行比較；
若所述信用評分的結果小于設定閾值，則生成異常訓練樣本。
a7、如a6所述的方法中，基于所述信用評分的結果生成訓練樣本還包括：
若所述信用評分的結果大于或者等于設定閾值，則生成正常訓練樣本。
本發明還公開了b8、一種對象控制裝置，包括：
評分模塊，用于對監控對象的歷史數據進行信用評分；
預測模塊，用于預測所述監控對象的異常概率；
控制模塊，用于基于所述信用評分的結果和所述異常概率對所述監控對象進行控制處理。
b9、如b8所述的裝置中，所述評分模塊包括：
劃分單元，用于劃分所述監控對象的評分周期；
評分單元，用于對所述監控對象在所述評分周期中的歷史數據進行周期評分；
匯總單元，用于匯總所述周期評分的結果以進行所述信用評分。
b10、如b9所述的裝置中，所述評分單元包括：
評分組件，用于根據設定的監控維度，對所述監控對象在所述評分周期中的歷史數據進行維度評分；
匯總組件，用于匯總所述維度評分的結果以進行所述周期評分。
b11、如b9所述的裝置中，
所述匯總單元具體用于依據評分周期的權重，匯總所述周期評分的結果以進行所述信用評分。
b12、如b8至b11中任一項所述的裝置中，所述預測模塊包括：
生成單元，用于基于所述信用評分的結果生成訓練樣本；
訓練單元，用于利用所述訓練樣本訓練機器學習模型；
預測單元，用于通過所述機器學習模型預測所述監控對象的異常概率。
b13、如b12所述的裝置中，所述生成單元包括：
比較組件，用于將所述信用評分的結果與設定閾值進行比較；
異常樣本生成組件，用于在所述信用評分的結果小于設定閾值的情形下，生成異常訓練樣本。
b14、如b13所述的裝置中，所述生成單元還包括：
正常樣本生成組件，用于在所述信用評分的結果大于或者等于設定閾值的情形下，生成正常訓練樣本。
本發明還公開了c15、一種移動終端，其特征在于，所述移動終端包括存儲器和處理器；其中，
所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令供所述處理器調用執行；
所述處理器用于進行如a1至a7中任意一項所述的操作。
- 還沒有人留言評論。精彩留言會獲得點贊！