**Аннотация:**Графические вычисления можно назвать мощным оружием для контроля рисков электронной коммерции в Интернете.Они не только превосходят реляционные базы данных в хранении и анализе сложных отношений, но также могут эффективно использовать отношения и структуру между данными, чтобы обеспечить более точную надежную основу для принятия решений.
Эта статья опубликована в сообществе Huawei Cloud Community "Как GES помогает контролировать риски электронной коммерции в Интернете?", оригинальный автор: Доктор Гром.
С наступлением эры больших данных управление рисками электронной коммерции в Интернете развилось от простой модели правил без контроля рисков и правил ручного извлечения до текущего контроля рисков, основанного на больших данных. В отличие от управления финансовыми рисками, управление рисками электронной коммерции в Интернете характеризуется такими характеристиками, как большой объем бизнеса, всестороннее предотвращение и контроль, длительный процесс и требует более высокой эффективности исследований и суждений, а также своевременности реагирования. С другой стороны, контроль рисков представляет собой процесс постоянного противостояния и совершенствования, который требует постоянной оптимизации и изучения новых характеристик нелегальных пользователей, тем самым повышая вероятность успеха контроля рисков. Можно сказать, что графические вычисления являются мощным оружием для контроля рисков электронной коммерции в Интернете.Они не только превосходят реляционные базы данных в хранении и анализе сложных взаимосвязей, но также могут эффективно использовать взаимосвязи и структуру данных для предоставления более точных данных. и надежная основа для принятия решений. Ниже приведена типичная диаграмма анализа сценариев для расчета того, как усилить контроль над рисками электронной коммерции в Интернете.
1. Поддельная регистрация аккаунта
1. Феномен сцены:
В электронной коммерции существует большое количество поддельных учетных записей, которые нарушают нормальный порядок транзакций, распространяя ложную информацию и размещая спам-комментарии в области комментариев, что не только доставляет большие неприятности пользователям, но и увеличивает операционные расходы предприятий. Существующие методы, основанные на признаках и классификации, недостаточны для своевременности обнаружения, что может привести к большой задержке, что приведет к большому количеству противоправных действий, возникающих, когда обнаружение вступает в силу. При регистрации аккаунта выявляются его потенциальные риски, и о его соответствии можно судить раньше.
2. Решения:
(1) Извлеките функции, основанные на синхронизации и асинхронности, для зарегистрированных учетных записей и создайте «функции режима синхронной регистрации» и «функции режима асинхронной регистрации» в соответствии с общими чертами и различиями между ними. Если между парой учетных записей больше синхронизаций или аномальных функций, они должны иметь более высокий вес оценки.
(2) Чтобы решить проблему силы связи между учетными записями, можно использовать метод машинного обучения, чтобы научиться автоматически оценивать синхронные аномальные функции, взвешенные по разным признакам, и решать, следует ли строить взвешенную связь между учетными записями в соответствии с к счету.
(3) Согласно опыту, между обычными учетными записями и обычными учетными записями, фейковые учетные записи и фальшивые учетные записи часто имеют тесные связи, в то время как фальшивые учетные записи и обычные учетные записи имеют определенную изоляцию или разреженную связь. Исходя из этого, обнаружение поддельных учетных записей с помощью алгоритма обнаружения сообщества является лучшим выбором. Если узлы соединены с другими узлами большими весами ребер, однородность между узлами сильнее. Если точка в сообществе является поддельной учетной записью, связанные с ней узлы с большей вероятностью будут поддельными.
2. Деление фейкового аккаунта
1. Феномен сцены:
Разделение аккаунта делает упор на эффективную конвертацию трафика и находит больше новых пользователей через существующих пользователей. Общие средства включают групповое деление, ускоренное деление, приглашение деления, совместное деление и т. Д. А вообще есть субсидия на трансформацию и деление, и субсидия приведет к партии шерсти. Поэтому ключевым моментом учета риска деления является отсечение возможности «дергать шерсть» со входа.
Общие методы бритья шерсти включают в себя:
- Старый с новым геймплеем
Старые пользователи получают большое количество учетных записей путем пакетной регистрации, участвуют в пригласительных мероприятиях (это могут быть торги, группировка, обмен и т. д.), отправляют товары со скидкой, купленные по низким ценам, на указанный адрес для сбора, а затем перепродают их реальным клиенты через свою собственную дистрибьюторскую платформу по более высокой цене Получайте прибыль или вступайте в сговор с продавцами, чтобы помочь продавцам выполнять заказы, выманивая субсидии и полностью обналичиваясь.
- Модель наставничества/распределения
Это можно рассматривать как упрощенную модель распространения: старые пользователи могут не только получать кэшбэк вознаграждения за приглашение новых пользователей, но и если новые пользователи приглашают других новых пользователей войти на платформу, старые пользователи также могут получать вознаграждения в виде дани.
2. Решения:
Для интернет-стартапов начальная стадия предпринимательства на самом деле больше связана с расширением корпоративного влияния и увеличением доходов. На данном этапе предприятия проявляют высокую терпимость к партии шерсти и могут даже надеяться использовать силу партии шерсти для продвижения. Исходя из этого, некоторые простые элементы управления могут быть выполнены с помощью общего реляционного анализа:
- Основываясь на характеристиках мошенничества в цепочке учетных записей, определяется поведение мошенничества, и обнаруживается, что в промежуточных узлах обычно есть узлы с небольшой степенью.
- Анализ ассоциаций и майнинг на основе характеристик "Wool Party"
Нажмите «Подписаться», чтобы впервые узнать о новых технологиях HUAWEI CLOUD~