异常用户的识别方法及装置、存储介质、电子设备与流程

本公开涉及计算机处理技术领域，具体地，涉及一种异常用户的识别方法及装置、计算机可读存储介质、电子设备。

背景技术：

据数据统计，目前全国三级医院的预约诊疗率平均值达35％，预约挂号在一定程度上缓解了挂号难的问题，同时，也给黄牛非法抢占挂号资源提供了可乘之机，例如，黄牛可以利用抢号软件等手段，大量抢占优质号源，并通过高价倒卖的方式从中获利，如此，势必会影响医疗资源的公平分配与使用。如何有效的识别黄牛的异常行为，是目前亟需解决的问题。

技术实现要素：

本公开的目的是提供一种异常用户的识别方法及装置、计算机可读存储介质、电子设备，可以有效识别异常用户。

为了实现上述目的，第一方面，本公开提供一种异常用户的识别方法，包括：

获取当前用户的就诊数据；

根据所述就诊数据获取所述当前用户在预设时间段内的就诊行为数据；

判断所述就诊行为数据是否大于预设异常用户数据；

若判定所述就诊行为数据大于预设异常用户数据，则确定所述当前用户为异常用户。

可选地，判断所述就诊行为数据是否大于预设异常用户数据之前，所述方法还包括：

获取所有用户的历史就诊数据；

根据所述历史就诊数据统计用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值；

基于所述用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值计算所述预设异常用户数据。

可选地，所述基于所述用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值计算所述预设异常用户数据包括：

根据所述用户的平均就诊行为数据计算所述平均就诊行为数据对应的浮动值fσ；

将所述用户的平均就诊行为数据与所述平均就诊行为数据对应的浮动值fσ的和值确定为所述预设异常用户数据；

其中，所述平均就诊行为数据对应的浮动值si表示用户i的历史就诊行为数据；n表示用户总量。

可选地，所述判定所述就诊行为数据大于预设异常用户数据之后，所述方法还包括：

获取大于所述预设异常用户数据的就诊行为数据的权重值；

计算大于所述预设异常用户数据的就诊行为数据的加权和；

所述确定所述当前用户为异常用户包括：

判断所述加权和是否大于预设数值；

如果所述加权和大于所述预设数值，则确定所述当前用户为异常用户。

可选地，所述就诊行为数据包括挂号的数量、退号的数量、过号就诊的数量、违约的数量、挂号科室的数量、账户绑定成员的数量中的至少一个。

第二方面，本公开提供一种异常用户的识别装置，所述装置包括：

就诊数据获取模块，用于获取当前用户的就诊数据；

就诊行为数据获取模块，用于根据所述就诊数据获取所述当前用户在预设时间段内的就诊行为数据；

就诊行为数据判断模块，用于判断所述就诊行为数据是否大于预设异常用户数据；

异常用户确定模块，用于在判定所述就诊行为数据大于预设异常用户数据时，确定所述当前用户为异常用户。

可选地，所述装置还包括：

历史就诊数据获取模块，用于在所述就诊行为数据判断模块判断所述就诊行为数据是否大于预设异常用户数据之前，获取所有用户的历史就诊数据；

统计模块，用于根据所述历史就诊数据统计用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值；

计算模块，用于基于所述用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值计算所述预设异常用户数据。

可选地，所述计算模块，用于根据所述用户的平均就诊行为数据计算所述平均就诊行为数据对应的浮动值fσ；将所述用户的平均就诊行为数据与所述平均就诊行为数据对应的浮动值fσ的和值确定为所述预设异常用户数据；

其中，所述平均就诊行为数据对应的浮动值si表示用户i的历史就诊行为数据；n表示用户总量。

可选地，所述装置还包括：

权重值获取模块，用于在所述就诊行为数据判断模块判定所述就诊行为数据大于预设异常用户数据之后，获取大于所述预设异常用户数据的就诊行为数据的权重值；

加权和计算模块，用于计算大于所述预设异常用户数据的就诊行为数据的加权和；

所述异常用户确定模块，用于判断所述加权和是否大于预设数值；如果所述加权和大于所述预设数值，则确定所述当前用户为异常用户。

可选地，所述就诊行为数据获取模块获取的就诊行为数据包括挂号的数量、退号的数量、过号就诊的数量、违约的数量、挂号科室的数量、账户绑定成员的数量中的至少一个。

第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述异常用户的识别方法的步骤。

第四方面，本公开提供一种电子设备，包括：

上述的计算机可读存储介质；以及

一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。

本公开方案中，考虑到异常用户、正常用户在就诊行为数据上存在显著差异，故可先确定出预设异常用户数据。如此，在需要进行异常用户识别时，可以先获取当前用户的就诊数据，并基于就诊数据得到当前用户在预设时间段内的就诊行为数据，如果该就诊行为数据大于预设异常用户数据，则可将当前用户识别为异常用户。如此方案，可以有效识别异常用户。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本公开异常用户的识别方法实施例1的流程示意图；

图2是本公开中确定预设异常用户数据的方法的流程示意图；

图3是本公开异常用户的识别方法实施例2的流程示意图；

图4是本公开异常用户的识别装置的结构示意图；

图5是本公开用于识别异常用户的电子设备的结构框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

参见图1，示出了本公开实施例异常用户的识别方法实施例1的流程示意图。该方法可以包括以下步骤：

步骤101，获取当前用户的就诊数据。

步骤102，根据所述就诊数据获取所述当前用户在预设时间段内的就诊行为数据。

本公开方案中，可以将黄牛等非正常就诊的用户，称为异常用户。发明人在研发过程中发现，异常用户的就诊行为数据与正常用户的就诊行为数据相比，存在显著差异，为此，本公开提供一种基于用户就诊行为数据，识别异常用户的方案。

具体地，可以先获取用户的就诊数据，并基于就诊数据统计得到用户在预设时间段内的就诊行为数据。作为一种示例，就诊数据可以是用户在同一医院的不同科室、不同医院的不同科室下的数据，关于就诊数据的来源，本公开方案可不做限定，具体可由实际应用情况而定。

步骤103，判断所述就诊行为数据是否大于预设异常用户数据。

步骤104，若判定所述就诊行为数据大于预设异常用户数据，则确定所述当前用户为异常用户。

本公开方案中的预设异常用户数据，可以为结合实际经验确定的经验值；或者，可以基于历史就诊数据计算获得。下面结合图2所示流程图，对本公开方案基于历史就诊数据确定预设异常用户数据的过程进行解释说明。可以包括以下步骤：

步骤201，获取所有用户的历史就诊数据。

步骤202，根据所述历史就诊数据统计用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值。

步骤203，基于所述用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值计算所述预设异常用户数据。

首先，可以结合用户的历史就诊数据，统计得到用户的平均就诊行为数据其次，可以根据计算得到平均就诊行为数据对应的浮动值fσ。具体地，可以通过以下公式计算平均就诊行为数据对应的浮动值：

其中，表示平均就诊行为数据；si表示用户i的历史就诊行为数据；n表示用户总量。

综上所述，本公开方案考虑到异常用户、正常用户在就诊行为数据上存在显著差异，可以先确定出预设异常用户数据，并将预设异常用户数据作为基准，判断当前用户的就诊行为数据是否大于预设异常用户数据，如果就诊行为数据大于预设异常用户数据，则可将当前用户识别为异常用户。

下面结合具体示例，对本公开方案的实现过程进行解释说明。

作为一种示例，本公开方案中的就诊行为数据可以体现为挂号的数量、退号的数量、过号就诊的数量、违约的数量、挂号科室的数量、账户绑定成员的数量中的至少一个。

可以理解地，不同的就诊行为数据均对应有各自的预设异常用户数据。举例来说，就诊行为数据为挂号的数量，对应的预设异常用户数据为异常用户挂号的数量。

作为一种示例，如果就诊行为数据体现为上述示例中的一种，则可在该就诊行为数据大于其对应的预设异常用户数据时，确定当前用户为异常用户。

作为一种示例，如果就诊行为数据体现为上述示例中的多种，则可在所有就诊行为数据均大于各自对应的预设异常用户数据时，确定当前用户为异常用户。

作为一种示例，如果就诊行为数据体现为上述示例中的多种，且预先设置了异常就诊行为的种类阈值，则可统计大于各自对应的预设异常用户数据的就诊行为数据的种类，并在统计出的种类数量大于上述种类阈值时，确定当前用户为异常用户。

针对每种就诊行为数据，下面再一一进行解释说明。

1.挂号的数量

通常，处于治疗过程中的正常就诊用户，会集中在一段时间内频繁的挂号，且在治疗结束后的一段时间内，要么是定期复诊，要么是不再就诊，也即挂号的频率不会很高，例如，可能会每3个月到6个月出现一次挂号行为。如此，可以统计当前用户在预设时间段内挂号的数量，通过判断该挂号的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户挂号的数量。作为一种示例，异常用户挂号的数量可以为经验值，例如，年挂号量为50个；或者，可以通过上文公式1计算得到。

2.退号的数量

通常，对于正常就诊用户来说，很少会出现没有发生诊疗行为就退号的情况，如果某个用户在一段时间内频繁出现退号行为，可以判定为恶意抢占挂号资源。如此，可以统计当前用户在预设时间段内退号的数量，通过判断该退号的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户退号的数量。作为一种示例，异常用户退号的数量可以为经验值，例如，年退号量为50个；或者，可以通过上文公式1计算得到。

3.过号就诊的数量

通常，对于正常就诊用户来说，挂号的目的是为了就诊，很少会出现过号就诊的情况，如果某个用户在一段时间内的挂号中，大部分出现过号就诊行为，则可判定为恶意抢占挂号资源。如此，可以统计当前用户在预设时间段内过号就诊的数量，通过判断该过号就诊的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户过号就诊的数量。作为一种示例，异常用户过号就诊的数量可以为经验值，例如，年过号就诊量为50个；或者，可以通过上文公式1计算得到。

4.违约的数量

通常，对于正常就诊用户来说，挂号的目的是为了就诊，很少会出现违约的情况，如果某个用户在一段时间内的挂号中，大部分没有产生诊疗行为，即出现了违约行为，则可判定为恶意抢占挂号资源。如此，可以统计当前用户在预设时间段内违约的数量，通过判断该违约的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户违约的数量。作为一种示例，异常用户违约的数量可以为经验值，例如，年违约量为20个；或者，可以通过上文公式1计算得到。

作为一种示例，可以通过是否存在分诊记录，判断用户行为是过号就诊，还是违约：如果存在分诊记录，则可认为是过号就诊；如果不存在分诊记录，则可认为是违约行为。或者，可以通过挂号有效期内是否存在诊疗行为，判断用户行为是过号就诊，还是违约：如果存在诊疗行为，则可认为是过号就诊；如果不存在诊疗行为，则可认为是违约行为。本公开方案对过号就诊、违约的区分方式可不做具体限定。

5.挂号科室的数量

通常，处于治疗过程中的正常就诊用户，会集中在一段时间内频繁的在一个科室挂号，即挂号科室相对固定。如此，可以统计当前用户在预设时间段内的挂号科室数量，通过判断该挂号科室的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户挂号科室的数量。作为一种示例，异常用户挂号科室的数量可以为经验值，例如，年挂号科室量为10个；或者，可以通过上文公式1计算得到。

6.账户绑定成员的数量

目前，为了方便老人、小孩等特殊患者就诊，医院执行了绑定亲友身份信息代为挂号的政策。针对这项政策，异常用户可以恶意绑定他人信息，例如，绑定购买过挂号票的真实患者的信息，利用所绑定成员的信息抢占号源。

通常，对于正常就诊的用户来说，账户绑定的成员数量不会太多，如此，可以统计当前用户在预设时间段内的账户绑定成员数量，通过判断该账户绑定成员的数量是否大于预设异常用户数据，确定当前用户是否为异常用户。

可以理解地，本示例中预设异常用户数据可以体现为异常用户账户绑定成员的数量。作为一种示例，异常用户账户绑定成员的数量可以为经验值，例如，年绑定成员量为5个；或者，可以通过上文公式1计算得到。

作为一种示例，本公开还可提供如下优选方案。具体可参见图3所示异常用户的识别方法实施例2的流程示意图。可以包括以下步骤：

步骤301，获取当前用户的就诊数据。

步骤302，根据所述就诊数据获取所述当前用户在预设时间段内的就诊行为数据。

步骤303，判断所述就诊行为数据是否大于预设异常用户数据。

步骤301～303的实现过程，可参照上文步骤101～103处所做介绍，此处不再赘述。

步骤304，若判定所述就诊行为数据大于预设异常用户数据，则获取大于所述预设异常用户数据的就诊行为数据的权重值。

步骤305，计算大于所述预设异常用户数据的就诊行为数据的加权和。

步骤306，判断所述加权和是否大于预设数值。

步骤307，如果所述加权和大于所述预设数值，则确定所述当前用户为异常用户。

也就是说，本公开方案可以通过预设异常用户数据，确定出所有大于预设异常用户数据的就诊行为数据，还可以结合这部分就诊行为数据的权重值，计算得到加权和。如果该加权和大于预设数值，则可确定当前用户为异常用户；否则，即使存在大于预设异常用户数据的就诊行为数据，该当前用户亦不属于异常用户。如此方案，有助于进一步提高本公开方案异常用户识别的准确性。

具体地，可以通过以下公式计算大于预设异常用户数据的就诊行为数据的加权和：

其中，wk表示第k种大于预设异常用户数据的就诊行为数据的权重值，可根据实际应用需求确定取值；sk表示第k种大于预设异常用户数据的就诊行为数据的数值；m表示大于预设异常用户数据的就诊行为数据的种类。

上文所举6种就诊行为数据的示例中，若挂号的数量、过号就诊的数量、挂号科室的数量，这3种就诊行为数据均大于各自对应的预设异常用户数据，则m＝3，k＝1,2,3。

作为一种示例，本公开方案识别出异常用户后，还可以输出预警信息，防止异常用户抢占挂号资源，本公开方案对此可不做具体限定。

参见图4，示出了本公开实施例异常用户的识别装置的结构示意图。所述装置可以包括：

就诊数据获取模块401，用于获取当前用户的就诊数据；

就诊行为数据获取模块402，用于根据所述就诊数据获取所述当前用户在预设时间段内的就诊行为数据；

就诊行为数据判断模块403，用于判断所述就诊行为数据是否大于预设异常用户数据；

异常用户确定模块404，用于在判定所述就诊行为数据大于预设异常用户数据时，确定所述当前用户为异常用户。

可选地，所述装置还包括：

历史就诊数据获取模块，用于在所述就诊行为数据判断模块判断所述就诊行为数据是否大于预设异常用户数据之前，获取所有用户的历史就诊数据；

统计模块，用于根据所述历史就诊数据统计用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值；

计算模块，用于基于所述用户的平均就诊行为数据及所述平均就诊行为数据对应的浮动值计算所述预设异常用户数据。

可选地，所述计算模块，用于根据所述用户的平均就诊行为数据计算所述平均就诊行为数据对应的浮动值fσ；将所述用户的平均就诊行为数据与所述平均就诊行为数据对应的浮动值fσ的和值确定为所述预设异常用户数据；

其中，所述平均就诊行为数据对应的浮动值表示平均就诊行为数据；si表示用户i的历史就诊行为数据；n表示用户总量。

可选地，所述装置还包括：

权重值获取模块，用于在所述就诊行为数据判断模块判定所述就诊行为数据大于预设异常用户数据之后，获取大于所述预设异常用户数据的就诊行为数据的权重值；

加权和计算模块，用于计算大于所述预设异常用户数据的就诊行为数据的加权和；

所述异常用户确定模块，用于判断所述加权和是否大于预设数值；如果所述加权和大于所述预设数值，则确定所述当前用户为异常用户。

可选地，所述就诊行为数据获取模块获取的就诊行为数据包括挂号的数量、退号的数量、过号就诊的数量、违约的数量、挂号科室的数量、账户绑定成员的数量中的至少一个。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种电子设备500的框图，该电子设备500用于识别异常用户。如图5所示，该电子设备500可以包括：处理器501，存储器502，多媒体组件503，输入/输出(i/o)接口504，以及通信组件505。

其中，处理器501用于控制该电子设备500的整体操作，以完成上述的异常用户的识别方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：wi-fi模块，蓝牙模块，nfc模块。

在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的异常用户的识别方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的异常用户的识别方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。