1.一种针对网店的作弊识别方法,其特征在于,包括以下步骤:
根据用户历史行为日志确定对目标网店的网页进行操作的多个用户;
在所述多个用户中确定M个用户,其中,M为正整数,所述M个用户包括多组用户对,每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值;
根据所述M个用户中的每一个用户与其他用户的共同操作记录,确定所述M个用户任意两个用户之间的关系图,其中,所述关系图以所述M个用户作为M个用户节点,如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边;以及
根据所述关系图计算所述M个用户的作弊可能性,并根据所述作弊可能性识别作弊用户。
2.如权利要求1所述的针对网店的作弊识别方法,其特征在于,在所述多个用户中确定M个用户具体包括:
获取所述多个用户中任意两个用户之间的共同操作记录;
如果任意两个用户之间的所述共同操作记录的数量大于预设数量阈值,则确定所述任意两个用户之间具有共同操作关系,并将所述任意两个用户作为一个用户对并加入共同操作关系用户集合,其中,所述共同操作关系用户集合中包括所述M个用户。
3.如权利要求2所述的针对网店的作弊识别方法,其特征在于,所述获取所述多个用户中任意两个用户之间的共同操作记录具体包括:
获取所述任意两个用户针对所述目标网店的操作;
判断所述操作是否属于预设时间段;以及
如果属于所述预设时间段,则判断所述任意两个用户之间存在所述共同操作记录。
4.如权利要求1所述的针对网店的作弊识别方法,其特征在于,所述根据所述关系图计算所述M个用户的作弊可能性,并根据所述作弊可能性识别作弊用户具体包括:
通过KCore算法对关系图进行处理,以生成K-core子图,其中,K-core子图中的用户均存在作弊可能性;
将K-core子图中的用户作为作弊用户。
5.如权利要求4所述的针对网店的作弊识别方法,其特征在于,在所述将K-core子图中的用户作为作弊用户之后,还包括:
生成所述K-core子图中的用户节点的标签;以及
根据所述标签对所述作弊用户进行划分,以确定所述作弊用户所属的作弊团伙,其中, 具有相同标签的作弊用户属于同一个作弊团伙。
6.如权利要求4所述的针对网店的作弊识别方法,其特征在于,所述通过KCore算法对关系图进行处理,以生成K-core子图具体包括:
S11、设定k值为初始值;
S12、去除所述关系图中节点度值小于或等于所述k值的用户节点,且去除与所述已去除的用户节点连接的边并重新计算新关系图中每个用户节点的节点度值k;
S13、判断新关系图中是否还有节点度值小于或等于k值的用户节点,如果还有节点度值小于或等于k值的用户节点,则跳转至步骤S12,如果否,则执行步骤S14;
S14、输出当前的新关系图,并将所述当前的新关系图作为所述K-core子图。
7.如权利要求5所述的针对网店的作弊识别方法,其特征在于,所述生成所述K-core子图中的用户节点的标签具体包括:
S21、为每个所述用户节点分配初始标签;
S22、每个所述用户节点将自身的标签广播给与自身相邻的用户节点;
S23、接收到广播的标签的用户节点根据接收到的标签和自身的标签生成新标签;
S24、重复执行所述步骤S22至S23,直至所述用户节点的标签不再变化。
8.如权利要求7所述的针对网店的作弊识别方法,其特征在于,所述步骤S23具体包括:
接收到广播的标签的用户节点将接收到的标签和自身的标签进行比较;
选择二者的最小值作为所述新标签。
9.如权利要求5所述的针对网店的作弊识别方法,其特征在于,所述生成所述K-core子图中的用户节点的标签具体包括:
S31、为每个所述用户节点分配初始标签;
S32、每个所述用户节点将自身的标签广播给与自身相邻的用户节点;
S33、每个所述用户节点对接收到的标签进行汇总,并选择出现次数最多的标签作为新标签;
S34、重复执行所述步骤S32至S33,直至所述用户节点的标签不再变化或达到最大迭代次数。
10.一种针对网店的作弊识别装置,其特征在于,包括:
第一确定模块,用于根据用户历史行为日志确定对目标网店的网页进行操作的多个用户;
第二确定模块,用于在所述多个用户中确定M个用户,其中,M为正整数,所述M个用户包括多组用户对,每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值;
第三确定模块,用于根据所述M个用户中的每一个用户与其他用户的共同操作记录, 确定所述M个用户任意两个用户之间的关系图,其中,所述关系图以所述M个用户作为M个用户节点,如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边;以及
第一处理模块,用于根据所述关系图计算所述M个用户的作弊可能性,并根据所述作弊可能性识别作弊用户。
11.如权利要求10所述的针对网店的作弊识别装置,其特征在于,所述第二确定模块具体用于:
获取所述多个用户中任意两个用户之间的共同操作记录;
如果任意两个用户之间的所述共同操作记录的数量大于预设数量阈值,则确定所述任意两个用户之间具有共同操作关系,并将所述任意两个用户作为一个用户对并加入共同操作关系用户集合,其中,所述共同操作关系用户集合中包括所述M个用户。
12.如权利要求11所述的针对网店的作弊识别装置,其特征在于,所述第一确定模块具体用于:
获取所述任意两个用户针对所述目标网店的操作;
判断所述操作是否属于预设时间段;以及
如果属于所述预设时间段,则判断所述任意两个用户之间存在所述共同操作记录。
13.如权利要求10所述的针对网店的作弊识别装置,其特征在于,所述第一处理模块,具体用于:
通过KCore算法对关系图进行处理,以生成K-core子图,其中,K-core子图中的用户均存在作弊可能性;以及
将K-core子图中的用户作为作弊用户。
14.如权利要求13所述的针对网店的作弊识别装置,其特征在于,还包括:
第二处理模块,用于在所述第一处理模块将K-core子图中的用户作为作弊用户之后,生成所述K-core子图中的用户节点的标签;以及根据所述标签对所述作弊用户进行划分,以确定所述作弊用户所属的作弊团伙,其中,具有相同标签的作弊用户属于同一个作弊团伙。
15.如权利要求13所述的针对网店的作弊识别装置,其特征在于,所述第一处理模块具体通过步骤S11至S14生成所述K-core子图,其中,S11、设定k值为初始值;
S12、去除所述关系图中节点度值小于或等于所述k值的用户节点,并且去除与所述已去除的用户节点连接的边并重新计算新关系图中每个用户节点的节点度值k;
S13、判断新关系图中是否还有节点度值小于或等于k值的用户节点,如果还有节点度值小于或等于k值的用户节点,则跳转至步骤S12,如果否,则执行步骤S14;
S14、输出当前的新关系图,并将所述当前的新关系图作为所述K-core子图。
16.如权利要求14所述的针对网店的作弊识别装置,其特征在于,所述第二处理模块 具体通过步骤S21至S24生成所述K-core子图中的用户节点的标签,其中,
S21、为每个所述用户节点分配初始标签;
S22、每个所述用户节点将自身的标签广播给与自身相邻的用户节点;
S23、接收到广播的标签的用户节点根据接收到的标签和自身的标签生成新标签;
S24、重复执行所述步骤S22至S23,直至所述用户节点的标签不再变化。
17.如权利要求16所述的针对网店的作弊识别装置,其特征在于,所述步骤S23具体包括:
接收到广播的标签的用户节点将接收到的标签和自身的标签进行比较;
选择二者的最小值作为所述新标签。
18.如权利要求14所述的针对网店的作弊识别装置,其特征在于,所述第二处理模块具体通过步骤S31至S34生成所述K-core子图中的用户节点的标签,其中,
S31、为每个所述用户节点分配初始标签;
S32、每个所述用户节点将自身的标签广播给与自身相邻的用户节点;
S33、每个所述用户节点对接收到的标签进行汇总,并选择出现次数最多的标签作为新标签;
S34、重复执行所述步骤S32至S33,直至所述用户节点的标签不再变化或达到最大迭代次数。