一种判定业务活动中异常行为的方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种判定业务活动中异常行为的方法和装置。

背景技术：

目前，一些商家为了自身利益会在销售(如销售商品或服务)中采用刷单等异常行为，例如，商家雇佣批量刷子(即刷单团体)为商家提供的商品或服务刷评价的行为，该行为分为两类，一类是为自己的商品或服务刷好评，二类是为竞争对手的商品或服务刷差评，该行为大大误导了用户的购买意向。

目前识别异常行为大多还是通过人为的举报，对存在异常行为的商家进行处罚。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

通过人为举报判定异常行为的方式存在效率低的问题。

技术实现要素：

有鉴于此，本发明实施例提供一种判定业务活动中异常行为的方法和装置，不需要通过人为举报，能够提高判定业务活动中异常行为的效率。

为实现上述目的，根据本发明实施例的一个方面，提供了一种判定业务活动中异常行为的方法。

一种判定业务活动中异常行为的方法，包括：根据用户间的关联关系识别属于同一用户团体的用户；对各用户团体中的用户发布的评价信息进行分析，以确定所述评价信息的倾向性；根据所述用户团体中各用户发布的评价信息的倾向性判定所述用户团体在所述业务活动中的异常行为。

可选地，根据用户间的关联关系识别属于同一用户团体的用户的步骤，包括：按照社区结构发现算法确定所述用户间的关联关系；删除同业务对象评价率小于或等于预设阈值的两用户之间的关联关系；在完成所述删除的操作之后，按照所述用户当前的关联关系识别属于同一用户团体的用户；其中，所述同业务对象评价率为：两个用户对相同业务对象的评价数量之和与该两个用户对业务对象的所有评价数量总和的比值。

可选地，对各用户团体中的用户发布的评价信息进行分析，以确定所述评价信息的倾向性的步骤，包括：对各用户团体中的用户发布的评价信息进行情感语义分析；根据所述情感语义分析的结果计算每条评价信息的情感值；根据所述情感值确定所述每条评价信息的倾向性。

可选地，对各用户团体中的用户发布的评价信息进行情感语义分析的步骤，包括：按照预设的分词算法对各用户团体中每个用户发布的评价信息进行分词；根据预设的情感分析词库对所述分词进行情感语义分析，以得到所述分词中的否定词、程度词、情感词分别对应的权重值。

可选地，所述每条评价信息包括一个或多个意群，根据所述情感语义分析的结果计算每条评价信息的情感值的步骤，包括：根据所述否定词、程度词、情感词分别对应的权重值计算每个所述意群的意群情感值；根据所述每条评价信息中的各所述意群情感值之和，得到所述每条评价信息的情感值。

可选地，根据所述情感值确定所述每条评价信息的倾向性的步骤，包括：将所述每条评价信息的情感值与第一阈值、第二阈值进行比较，所述第一阈值小于所述第二阈值，如果一评价信息的所述情感值小于第一阈值，则确定该评价信息的倾向性为差评；如果一评价信息的所述情感值大于第二阈值，则确定该评价信息的倾向性为好评；如果一评价信息的所述情感值大于第一阈值且小于第二阈值，则确定该评价信息的倾向性为中立。

根据本发明实施例的另一方面，提供了一种判定业务活动中异常行为的装置。

一种判定业务活动中异常行为的装置，包括：识别模块，用于根据用户间的关联关系识别属于同一用户团体的用户；分析模块，用于对各用户团体中的用户发布的评价信息进行分析，以确定所述评价信息的倾向性；判定模块，用于根据所述用户团体中各用户发布的评价信息的倾向性判定所述用户团体在所述业务活动中的异常行为。

可选地，所述识别模块还用于：按照社区结构发现算法确定所述用户间的关联关系；删除同业务对象评价率小于或等于预设阈值的两用户之间的关联关系；在完成所述删除的操作之后，按照所述用户当前的关联关系识别属于同一用户团体的用户；其中，所述同业务对象评价率为：两个用户对相同业务对象的评价数量之和与该两个用户对业务对象的所有评价数量总和的比值。

可选地，所述分析模块还用于：对各用户团体中的用户发布的评价信息进行情感语义分析；根据所述情感语义分析的结果计算每条评价信息的情感值；根据所述情感值确定所述每条评价信息的倾向性。

可选地，所述分析模块包括情感语义分析模块，所述情感语义分析模块用于：按照预设的分词算法对各用户团体中每个用户发布的评价信息进行分词；根据预设的情感分析词库对所述分词进行情感语义分析，以得到所述分词中的否定词、程度词、情感词分别对应的权重值。

可选地，所述每条评价信息包括一个或多个意群，所述分析模块还包括情感值计算模块，所述情感值计算模块用于：根据所述否定词、程度词、情感词分别对应的权重值计算每个所述意群的意群情感值；根据所述每条评价信息中的各所述意群情感值之和，得到所述每条评价信息的情感值。

可选地，所述分析模块包括倾向性确定模块，所述倾向性确定模块用于：将所述每条评价信息的情感值与第一阈值、第二阈值进行比较，所述第一阈值小于所述第二阈值，如果一评价信息的所述情感值小于第一阈值，则确定该评价信息的倾向性为差评；如果一评价信息的所述情感值大于第二阈值，则确定该评价信息的倾向性为好评；如果一评价信息的所述情感值大于第一阈值且小于第二阈值，则确定该评价信息的倾向性为中立。

根据本发明实施例的又一方面，提供了一种电子设备。

一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现判定业务活动中异常行为的方法。

根据本发明实施例的又一方面，提供了一种计算机可读介质。

一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现判定业务活动中异常行为的方法。

上述发明中的一个实施例具有如下优点或有益效果：根据用户间的关联关系识别属于同一用户团体的用户；对各用户团体中的用户发布的评价信息进行分析，以确定评价信息的倾向性；当一用户团体中各用户发布的评价信息的倾向性为一致好评或一致差评，则判定该用户团体在业务活动中存在异常行为。使得不需要通过人为举报，能够提高判定业务活动中异常行为的效率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的判定业务活动中异常行为的方法的主要步骤示意图；

图2是根据本发明实施例的判定商品销售业务中电商平台商家的群体刷单行为的方法的优选流程示意图；

图3是根据本发明实施例的判定业务活动中异常行为的装置的主要模块示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的判定业务活动中异常行为的方法的主要步骤示意图。业务活动可以为电商平台、网络配送、网络送餐等的商品或服务销售业务。

如图1所示，本发明实施例的判定业务活动中异常行为的方法主要包括如下的步骤s101至步骤s103。

步骤s101：根据用户间的关联关系识别属于同一用户团体的用户。

根据用户间的关联关系识别属于同一用户团体的用户的步骤，具体可以包括：

按照社区结构发现算法确定用户间的关联关系；

删除同业务对象评价率小于或等于预设阈值的两用户之间的关联关系；

在完成该删除的操作之后，按照用户当前的关联关系识别属于同一用户团体的用户；

其中，同业务对象评价率可以为：两个用户对相同业务对象的评价数量之和与该两个用户对业务对象的所有评价数量总和的比值。

两个用户之间通过评价相同的一个或多个业务对象而发生关联，业务对象具体可以为商品或服务，评价数量即用户对商品或服务等业务对象发布的评价信息的数量。以业务对象为电商商家等销售的商品为例，同业务对象评价率相应为同商品评价率。同商品评价率为两个用户对相同商品的评价数量之和与该两个用户对各商品的所有评价数量总和的比值。

步骤s102：对各用户团体中的用户发布的评价信息进行分析，以确定评价信息的倾向性。

对各用户团体中的用户发布的评价信息进行分析，以确定所述评价信息的倾向性的步骤，具体可以包括：

对各用户团体中的用户发布的评价信息进行情感语义分析；

根据情感语义分析的结果计算每条评价信息的情感值；

根据情感值确定每条评价信息的倾向性。

其中，对各用户团体中的用户发布的评价信息进行情感语义分析的步骤，具体可以包括：

按照预设的分词算法对各用户团体中每个用户发布的评价信息进行分词；

根据预设的情感分析词库对分词进行情感语义分析，以得到分词中的否定词、程度词、情感词分别对应的权重值。

每条评价信息可以包括一个或多个意群。

根据情感语义分析的结果计算每条评价信息的情感值的步骤，具体包括：

根据否定词、程度词、情感词分别对应的权重值计算每个意群的意群情感值，具体地，意群情感值＝否定词权重*程度词权重*情感词权重；

根据每条评价信息中的各意群情感值之和，得到每条评价信息的情感值，具体地，一条评价信息的情感值为：意群情感值1+意群情感值2，+…+意群情感值n，其中，n为意群的数量，意群指句子中按意思和结构划分出的各个成分，每一个成分即称为一个意群，可将一条评价信息中通过标点符号(例如逗号、分号等)划分而成的多个成分作为该条评价信息的多个意群。

倾向性可包括好评、差评和中立。根据所述情感值确定每条评价信息的倾向性的步骤，具体可以包括：

将每条评价信息的情感值与第一阈值、第二阈值进行比较，并且第一阈值小于第二阈值，

如果一评价信息的情感值小于第一阈值，则确定该评价信息的倾向性为差评；

如果一评价信息的情感值大于第二阈值，则确定该评价信息的倾向性为好评；

如果一评价信息的情感值大于第一阈值且小于第二阈值，则确定该评价信息的倾向性为中立。

步骤s103：当一用户团体中各用户发布的评价信息的倾向性为一致好评或一致差评，则判定该用户团体在业务活动中存在异常行为。

当一用户团体中各用户发布的评价信息的倾向性均为好评(即一致好评)或者均为差评(即一致差评)，则判定该用户团体在业务活动中存在异常行为。

本发明实施例的判定业务活动中异常行为的方法可以用于判定商业、销售等业务活动中存在的异常行为，具体例如判定电商平台、网络配送、网络送餐等商家在销售商品或服务的业务活动中的群体刷单等异常行为，刷单即通过评价商品刷单(刷评价信息)，具体可包括刷好评或刷差评等。

下面以业务活动为电商平台的商家的商品销售业务、判定电商平台商家的群体刷单行为为例，详细介绍本发明实施例的判定业务活动中异常行为的方法。

本发明实施例的判定商品销售业务中电商平台商家的群体刷单行为的方法通过gn算法(一种社区结构发现算法)发现同商品评价率比较高的一个或者多个用户团体，这些同商品评价率比较高的用户团体同时对多个不同的商品进行商品维度的评价，并且评价的商品大部分都是相同的，即表明这些用户团体的同商品评价率比较高，对于同商品评价率比较高的一个或者多个用户团体的发布的大量评价信息进行商品维度的情感语义分析，即对同一个用户团体对多个商品的大量评价信息进行情感语义分析，如果同商品评价率高(高于一预设阈值)的用户团体对多个商品的评价信息都是一致的好评或者差评，则判断此类用户团体存在群体刷单行为，如果同商品评价率高的用户团体对于同一个商品的评价既有好评又有差评，则判断为正常的用户团体，即不存在群体刷单行为。其中，判断用户团体对多个商品的评价信息是否都是一致的好评或者差评可以设定一个判断标准，具体判断标准将在下文详细介绍。

图2是根据本发明实施例的判定商品销售业务中电商平台商家的群体刷单行为的方法的优选流程示意图。

如图2所示，本发明实施例的判定商品销售业务中电商平台商家的群体刷单行为的方法的优选流程包括如下的步骤s201至步骤s208。

步骤s201：按照gn算法确定用户间的关联关系。

gn算法是一种分裂型的社区结构发现算法。该算法根据网络中社区内部高内聚、社区之间低内聚的特点，逐步去除社区之间的边，取得相对内聚的社区结构。gn算法用边介数的概念来探测边的位置，某边的边介数定义为网络上所有顶点之间的最短路径通过该边的次数。由定义可知，如果一条边连接两个社区，那么这两个社区节点之间的最短路径通过该边的次数就会最多，相应的边介数最大。如果删除该边，那么两个社团就会分割开。gn算法就是基于此思想反复计算当前网络的最短路径，计算每条边的边介数，删除边介数最大的边，算法停止后即可得到网络的社区结构。

本发明实施例中每两个用户之间通过评价同一个或多个商品而发生关联，从而所有用户因为彼此之间的关联关系而形成一个网络，网络中每个用户相当于一个社区节点，社区节点之间通过边建立关联，通过上述gn算法可以得到该网络的社区结构，该网络的社区结构反映了各用户之间的关联关系。

步骤s202：删除同商品评价率小于或等于预设阈值的两用户之间的关联关系。

其中，同商品评价率(spri,j)可以用如下公式计算：

其中，spci,j为用户i和用户j对相同商品的评价数量之和，apci,j为用户i和用户j对各商品的所有评价数量总和，评价数量即发布的评价信息的数量。

步骤s203：按照各用户当前剩余的关联关系识别属于同一用户团体的用户。

在由各用户组成的网络中，将同商品评价率小于或等于预设阈值的两用户之间的关联关系删除之后，某些用户之间仍存在关联关系，即可将仍存在关联关系(当前剩余的关联关系)的用户识别属于同一用户团体的用户，从而得到一个或多个用户团体，这些用户团体中每两个用户的同商品评价率均高于预设阈值，表示这些用户团体存在刷单行为的可能性较大，通过进一步分析可以判断这些用户团体是否存在刷单行为。

本发明实施例的步骤s202、步骤s203在实现gn算法的时候执行，具体地，预先设定gn算法的停止条件为：当每两个用户之间的同商品评价率都高于预设阈值时，算法停止，那么，根据同商品评价率的值，根据gn算法逐个删除同商品评价率的值小于或等于预设阈值的两节点之间的边，即，将同商品评价率小于或等于阈值的两个用户之间的关联关系分裂开，直到最后网络中的所有节点(即用户)之中，每两个用户之间的同商品评价率都高于预设阈值时，gn算法停止，得到网络中用户当前剩余的关联关系，再按照各用户当前剩余的关联关系识别属于同一用户团体的用户。

步骤s204：对各用户团体中的用户发布的评价信息进行情感语义分析。

可以利用机器学习方法对属于各用户团体中的用户的大量评价信息进行情感语义分析。

对各用户团体中的用户发布的评价信息进行情感语义分析的过程具体可分为文本切割和情感定位两个过程。

文本切割即按照预设的分词算法对各用户团体中每个用户发布的评价信息进行分词。其中，预设的分词算法可以采用各种分词算法，例如可以使用开源的jieba分词(结巴分词)算法对每个用户发布的对商品的评价信息进行分词，该分词算法可支持三种分词模式：

1、精确模式，该模式试图将句子最精确地切开，适合文本分析。分词方式例如：我/来到/北京/清华大学。

2、全模式，该模式把句子中所有的可以成词的词语都扫描出来，特点是速度非常快，但是不能解决出现歧义的问题。分词方式例如：我/来到/北京/清华/清华大学/华大/大学。

3、搜索引擎模式，该模式在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。分词方式例如：我/来到/北京/清华/华大/大学/清华大学。

本发明实施例的jieba分词(结巴分词)算法可以采用全模式分词，其特点是算法时间开销小，需要说明的是，精确模式和搜索引擎模式也适用本发明实施例。

情感定位即根据预设的情感分析词库对所述分词进行情感语义分析，以得到所述分词中的否定词、程度词、情感词分别对应的权重值。具体地，可以基于预存的中文情感分析词库，预先构建一张情感词表，在文本切割过程执行分词处理后，将处理后得到的单词依次在预先构建好的情感词表中逐个查找，若能查找到某个单词，则该单词是情感词，并读取情感极性及相应权值，否则，该单词不是情感词，则执行对下一个单词的查找，直至整句评价信息判断结束。情感极性可为肯定或否定，情感极性为肯定的肯定情感词的权值例如为1，情感极性为否定的否定情感词的权值例如为-1。中文情感分析词库例如可以采用情感分析用词语集(beta版)，该中文情感分析词库中还包括中文程度级别词语(程度词)共219个，并把程度词(即程度副词)划分六个等级，为每个程度副词定义了一个权重，例如，“很”的权值定义为2。被程度副词修饰后的情感词其权值应做相应调整，并且将否定词的权重定义为-1。

步骤s205：根据情感语义分析的结果计算每条评价信息的情感值。

每条评价信息包括一个或多个意群，例如：“我觉得这个商品很不好，简直太差了”，其中，“我觉得这个商品很不好”为一个意群，“简直太差了”为另一个意群。

根据情感语义分析的结果计算每条评价信息的情感值，具体地，可根据情感语义分析的结果，即通过情感语义分析得出的否定词、程度词、情感词分别对应的权重值计算每条评价信息的每个意群的意群情感值，可根据如下公式计算：

意群情感值＝否定词权重*程度词权重*情感词权重

例如：“我觉得这个商品很不好，简直太差了”，其中第一个意群中“很”为程度副词，“不”为否定词，“好”为情感词，第二个意群中“太”为程度副词，“差”为否定情感词，可以理解为“不好”，那么，第一个意群的意群情感值即：

意群情感值1＝-1(不)*2(很)*1(好)＝-2；

第二个意群的意群情感值即：

意群情感值2＝2(太)*-1(差)＝-2，

根据每条评价信息中的各意群情感值之和，可得到每条评价信息的情感值。相应地计算一条评价信息的情感值的公式如下：

sum(意群情感值1，意群情感值2，…意群情感值n)，

其中，n为意群的数量。

那么，上例中“我觉得这个商品很不好，简直太差了”这条评价信息的情感值即为：

sum(意群情感值1，意群情感值2)＝(-2)+(-2)＝-4

步骤s206：根据每条评价信息的情感值确定每条评价信息的倾向性。

每条评价信息的倾向性具体包括好评、差评和中立。

可以预先设置两个阈值：第一阈值和第二阈值，且第一阈值小于所述第二阈值。通过每条评价信息的情感值分别与第一阈值、第二阈值进行比较，如果一条评价信息的情感值小于第一阈值，则确定该评价信息的倾向性为差评；如果一条评价信息的情感值大于第二阈值，则确定该评价信息的倾向性为好评；如果一条评价信息的情感值大于第一阈值且小于第二阈值，则确定该评价信息的倾向性为中立。

例如，设置第一阈值为-0.5、第二阈值为0.5，那么，上例中“我觉得这个商品很不好，简直太差了”这条评价信息的情感值为-4，该情感值小于第一阈值，则该条评价信息的倾向性为差评。

步骤s207：分别判断每个用户团体中的用户发布的评价信息的倾向性是否为一致好评或一致差评，若是，则执行步骤s208，否则流程结束。

步骤s208：判定用户发布的评价信息的倾向性为一致好评或一致差评的用户团体存在群体刷单行为。

同商品评价率较高(高于预设阈值)的用户团体经常同时出现在对不同商品的评价中，对商品进行评价，如果某个用户间同商品评价率较高(高于预设阈值)的用户团体对大量商品的评价信息倾向性相同，即用户团体内的成员对多个商品的评价同时为好评或者差评，则判断此用户团体存在通过商品评价刷单的行为，然后流程结束。

本发明实施例通过人工智能算法对大量商品评价信息进行分析，利用gn算法发现同商品评价率较高的用户团体，然后通过情感语义分析各个用户团体对商品的评价信息，发现对商品评价一致好评或差评的用户团体，基于以上方法可以判断该用户团体存在商品评价中的群体刷单行为，无需人为举报，大大提高了判断是否是评价刷单的效率。

图3是根据本发明实施例的判定业务活动中异常行为的装置的主要模块示意图。

如图3所示，本发明实施例的判定业务活动中异常行为的装置300主要包括：识别模块301、分析模块302、判定模块303。

识别模块301，用于根据用户间的关联关系识别属于同一用户团体的用户。

具体地，识别模块301用于按照社区结构发现算法确定用户间的关联关系，并删除同业务对象评价率小于或等于预设阈值的两用户之间的关联关系，在完成该删除的操作之后，按照用户当前的关联关系识别属于同一用户团体的用户。

其中，同业务对象评价率为两个用户对相同业务对象的评价数量之和与该两个用户对业务对象的所有评价数量总和的比值。

分析模块302，用于对各用户团体中的用户发布的评价信息进行分析，以确定评价信息的倾向性。

具体地，分析模块302用于对各用户团体中的用户发布的评价信息进行情感语义分析，并根据情感语义分析的结果计算每条评价信息的情感值，然后根据情感值确定每条评价信息的倾向性。

每条评价信息包括一个或多个意群。

并且，分析模块302具体可包括情感语义分析模块、情感值计算模块、倾向性确定模块。

其中，情感语义分析模块用于按照预设的分词算法对各用户团体中每个用户发布的评价信息进行分词，并根据预设的情感分析词库对该评价信息的分词进行情感语义分析，以得到评价信息的分词中的否定词、程度词、情感词分别对应的权重值。

情感值计算模块用于根据否定词、程度词、情感词分别对应的权重值计算每个意群的意群情感值，并根据每条评价信息中的各意群情感值之和，得到每条评价信息的情感值。

倾向性确定模块用于将每条评价信息的情感值与第一阈值、第二阈值进行比较，且第一阈值小于第二阈值，如果一评价信息的情感值小于第一阈值，则确定该评价信息的倾向性为差评；如果一评价信息的情感值大于第二阈值，则确定该评价信息的倾向性为好评；如果一评价信息的情感值大于第一阈值且小于第二阈值，则确定该评价信息的倾向性为中立。

判定模块303，用于当一用户团体中各用户发布的评价信息的倾向性为一致好评或一致差评，则判定该用户团体在业务活动中存在异常行为。

图4示出了可以应用本发明实施例的判定业务活动中异常行为的方法或判定业务活动中异常行为的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对用户的评价信息等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的判定业务活动中异常行为的方法一般由服务器405执行，相应地，判定业务活动中异常行为的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括识别模块301、分析模块302、判定模块303。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，识别模块301还可以被描述为“用于根据用户间的关联关系识别属于同一用户团体的用户的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据用户间的关联关系识别属于同一用户团体的用户；对各用户团体中的用户发布的评价信息进行分析，以确定所述评价信息的倾向性；根据所述用户团体中各用户发布的评价信息的倾向性判定所述用户团体在所述业务活动中的异常行为。实现无需人为举报，并大大提高了判断是否是评价刷单的效率的技术效果。

根据本发明实施例的技术方案，根据用户间的关联关系识别属于同一用户团体的用户；对各用户团体中的用户发布的评价信息进行分析，以确定评价信息的倾向性；当一用户团体中各用户发布的评价信息的倾向性为一致好评或一致差评，则判定该用户团体在业务活动中存在异常行为。使得不需要通过人为举报，能够提高判定业务活动中异常行为的效率。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。