O2O场景下的反作弊分析模型的设计与实现

摘要

随着Internet和相关Web技术的发展，新的电子商务交易模式悄然兴起。近年来，Online To Offline(O2O)模式飞速发展。O2O模式是一种将线下交易与互联网结合在一起的新的商务模式，即线上网站通过提供打折、返利补贴、提供送货服务等方式，把线下商店的消息推送给线上用户，用户在选定相关商户之后在线下单、在线支付等流程，之后再凭借订单去线下商家提取商品，或等待送货上门的服务，或享受线下其他服务。O2O市场中，各大公司为了抢占市场份额，纷纷推出了各种补贴机制来吸引用户使用本公司产品。而对应的，“刷单”这一行业也是O2O公司所必须面对的问题。而目前刷单主要靠人工线下检查为主，如监控某个地区的单量异常，某家店铺的消费均量异常等，然后进行线下检查。作弊成本低，监察成本高，是现在O2O公司所面临的最大的问题。
　　本课题基于某餐饮外卖O2O公司的反作弊部门，从打击刷单的需求点出发，提出了一种可以通过机器学习和数据挖掘相结合的方法，来检测某一用户为刷单用户的风险，从而降低监察的成本。本课题首先论证了O2O的作弊现象和网页排名作弊现象的异同，并针对网页排名的反作弊方法进行了修改使其契合本课题所面对的问题。同时，由于要对高风险用户进行进一步操作，本文还开发了相应的后台操作模块，配合其他提高作弊成本的方式构成监察系统，从而降低刷单比例。数据平台使用了敏捷开发的策略，同时使用了分布式数据库等技术实现了自由维度组合生成报表的需求。目前，反作弊系统已经上线五个月，并历经两个版本的升级，数据表明，本文的方法可以有效的识别高风险用户，并且提升了线下监察部门的工作效率，有效降低了监察成本。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究背景

1.2 课题研究的目的及意义

1.3 国内外研究现状

1.4 本文主要研究内容

1.5 本文的结构安排

第2章 模型总体架构

2.1 课题目标

2.2 作弊用户的计算

2.3 健康度监测

2.4 反作弊报表的产出以及与线下部门的交互

第3章 基于BadRank的权值传播模型

3.1 PageRank模型

3.2 类BadRank的高危用户生成模型

3.3 白名单的产生和与白名单效果验证

3.4 实验结果及评价

3.5 本章小结

第4章 基于无监督机器学习的用户聚类方法

4.1 聚类的目的和意义

4.2 无监督机器学习

4.3 用户聚类模型的建立

4.4 本章小结

第5章 数据平台的开发

5.1 数据可视化的意义

5.2 数据平台的设计与实现

5.3 结果展示

5.4 本章小结

结论

参考文献

附录A

攻读硕士学位期间发表的论文及其他成果

声明

致谢