一种异常访客检测的方法、装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，具体而言，涉及一种异常访客检测的方法、装置、电子设备及存储介质。


背景技术：

2.在一些应用场景中，通常需要对异常访客进行检测。现有技术下，通常人工根据经验设置异常判定规则，但是，采用这种方式，异常访客检测的灵活性以及准确性较差。
3.

技术实现要素：

4.本技术实施例的目的在于提供一种异常访客检测的方法、装置、电子设备及存储介质，用以在进行异常访客检测时，提高异常访客检测的灵活性以及准确性。
5.一方面，提供一种异常访客检测的方法，包括：
6.获取待检测的各访客的订单信息；
7.从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；
8.采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；
9.基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。
10.一种实施方式中，在从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合之前，方法还包括:
11.获取多个访客的历史订单信息；历史订单信息包括多个订单行为参数及其对应的参数值；
12.针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取目标订单行为参数的各参数值；目标订单行为参数为各订单行为参数中的任一订单行为参数；
13.根据目标订单行为参数的各参数值，生成目标订单行为参数对应的异常判断条件；
14.基于各异常判断条件，生成异常访客判断规则。
15.一种实施方式中，从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合，包括：
16.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
17.判断各订单行为参数的参数值是否符合各自对应的异常判断条件；
18.若根据各订单行为参数对应的异常判断结果，确定目标访客为异常访客，则将目标访客添加到第一异常访客集合中。
19.一种实施方式中，采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合，包括：
20.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
21.将各订单行为参数的参数值进行预处理，获得订单特征；
22.将订单特征输入异常访客检测模型，获得访客检测结果；
23.若访客检测结果为异常访客，则将目标访客添加到第二异常访客集合中。
24.一种实施方式中，将各订单行为参数的参数值进行预处理，获得订单特征，包括：
25.采用以下至少一种方式，对各订单行为参数的参数值进行预处理：
26.数据筛选、格式标准化、有序分类、一位有效编码以及归一化。
27.一方面，提供一种异常访客检测的装置，包括：
28.获取单元，用于获取待检测的各访客的订单信息；
29.筛选单元，用于从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；
30.检测单元，用于采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；
31.获得单元，用于基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。
32.一种实施方式中，筛选单元还用于:
33.获取多个访客的历史订单信息；历史订单信息包括多个订单行为参数及其对应的参数值；
34.针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取目标订单行为参数的各参数值；目标订单行为参数为各订单行为参数中的任一订单行为参数；
35.根据目标订单行为参数的各参数值，生成目标订单行为参数对应的异常判断条件；
36.基于各异常判断条件，生成异常访客判断规则。
37.一种实施方式中，筛选单元用于:
38.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
39.判断各订单行为参数的参数值是否符合各自对应的异常判断条件；
40.若根据各订单行为参数对应的异常判断结果，确定目标访客为异常访客，则将目标访客添加到第一异常访客集合中。
41.一种实施方式中，检测单元用于：
42.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
43.将各订单行为参数的参数值进行预处理，获得订单特征；
44.将订单特征输入异常访客检测模型，获得访客检测结果；
45.若访客检测结果为异常访客，则将目标访客添加到第二异常访客集合中。
46.一种实施方式中，检测单元用于：
47.采用以下至少一种方式，对各订单行为参数的参数值进行预处理：
48.数据筛选、格式标准化、有序分类、一位有效编码以及归一化。
49.一方面，提供了一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上述任一种异常访客检测的各种可选实现方式中提供的方法的步骤。
50.一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时运行如上述任一种异常访客检测的各种可选实现方式中提供的方法的步骤。
51.一方面，提供了一种计算机程序产品，计算机程序产品在计算机上运行时，使得计算机执行如上述任一种异常访客检测的各种可选实现方式中提供的方法的步骤。
52.本技术实施例提供的一种异常访客检测的方法、装置、电子设备及存储介质中，获取待检测的各访客的订单信息；从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。这样，提高了异常访客检测的灵活性以及准确性。
53.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
54.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
55.图1为本技术实施例提供的一种异常访客检测的方法的流程图；
56.图2为本技术实施例提供的一种异常访客检测的装置的结构框图；
57.图3为本技术实施方式中一种电子设备的结构示意图。
具体实施方式
58.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
59.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
60.首先对本技术实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
61.终端设备：可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本
计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
62.服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
63.为了在进行异常访客检测时，可以提高异常访客检测的灵活性以及准确性。本技术实施例提供了一种异常访客检测的方法、装置、电子设备及存储介质。
64.本技术实施例中，执行主体为电子设备，电子设备可以为服务器，也可以为终端设备。
65.参阅图1所示，为本技术实施例提供的一种异常访客检测的方法的流程图，该方法的具体实施流程如下：
66.步骤100：获取待检测的各访客的订单信息；步骤101：从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；步骤102：采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；步骤103：基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。
67.一种实施方式中，订单信息可以包括但不限于以下至少一个信息：用户账号、绑定的身份证号数量、订票项目、订票类型、订票时间、订票人员信息、用户账号的历史订票信息以及历史退票信息。
68.实际应用中，订单信息中包含的信息可以根据实际应用场景进行设置，在此不作限制。
69.一种实施方式中，为提高异常访客检测的灵活性和准确性，步骤101的实现过程还包括：
70.s1011：获取多个访客的历史订单信息；历史订单信息包括多个订单行为参数及其对应的参数值。
71.其中，订单行为参数可以为订单信息中的至少一个参数。如，订单行为参数及其对应的参数值分别为：订单时间：12：00。
72.s1012：针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取目标订单行为参数的各参数值；目标订单行为参数为各订单行为参数中的任一订单行为参数。
73.s1013：根据目标订单行为参数的各参数值，生成目标订单行为参数对应的异常判断条件。
74.可选的，异常判断条件中的阈值可以根据历史订单信息确定(如，置信区间)，具体的，可以根据目标订单行为参数的各参数值的平均值、方差或者均方差确定，如，若各参数值符合正态分布，上述阈值可以根据正态分布的方差确定，如，6-sigma，还可以根据正态分布确定出的分布概率确定。
75.可选的，可以从身份证号风险、爽约风险、退票风险以及下单行为风险中的至少一个方面，设置异常判断条件。
76.其中，身份证号风险是指若某账号绑定的身份证号数量较多，则访客存在黄牛风险。爽约风险是指访客存在订票后未去观看的风险。退票风险是指访客订票后存在退票的风险。下单行为风险是指若存在批量迅速下单行为(如，集中时间大量下单，瞬时快速下单)，则访客存在黄牛风险。
77.一种实施方式中，目标订单行为参数为账号绑定的身份证号数量，根据各历史订单信息，获得账号绑定的身份证号数量的正态分布的方差x，并基于x确定异常判断的阈值，获得账号绑定的身份证号数量对应的异常判断条件即：若某个访客的账号绑定的身份证号数量高于3x＝50，则判定该访客为异常访客，否则，确定该访客为普通访客。如，在身份证号风险中，异常判断条件为：若某个账号累计绑定的身份证号》50，则该账号为风险账号，即该账号所属的访客为异常访客。这样，就可以通过访客绑定的身份证号数量的分布的分析，确定异常判断条件的阈值。
78.考虑到采用人工设定阈值的方式设置异常判断条件，灵活性较差，难以根据访客行为数据的分布进行实时调节，且专家判断不一定准确，可能存在认知偏差，使得异常判断条件的阈值不准确，本技术实施例中，可以结合专家经验以及订单数据分析结果，获得具有统计意义的阈值，提高了异常判断的灵活性、科学性以及准确性。
79.s1014：基于各异常判断条件，生成异常访客判断规则。
80.这样，在生成异常访客判断规则之后，就可以根据异常访客判断规则检测访客是否异常。
81.一种实施方式中，步骤101中从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合的实现过程可以包括：
82.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；判断各订单行为参数的参数值是否符合各自对应的异常判断条件；若根据各订单行为参数对应的异常判断结果，确定目标访客为异常访客，则将目标访客添加到第一异常访客集合中。
83.一种实施方式中，根据访客的订单信息，若确定其符合任一异常判断条件，则确定该访客为异常访客。
84.一种实施方式中，根据访客的订单信息，若确定其同时符合某个异常判断条件组合中的各异常判断条件时，则确定该访客为异常访客。
85.其中，异常判断条件组合中包含至少两个异常判断条件。
86.实际应用中，异常访客判断规则可以根据实际应用场景进行设置。
87.这样，就可以结合专家经验和订单数据分布，生成异常访客判断规则，并通过异常访客判断规则检测异常访客。
88.一种实施方式中，为提高异常访客检测的准确性，步骤102的实现过程可以包括：
89.s1021：针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客。
90.s1022：将各订单行为参数的参数值进行预处理，获得订单特征。
91.一种实施方式中，采用以下至少一种方式，对各订单行为参数的参数值进行预处
理：
92.数据筛选、格式标准化、有序分类(ordinal category)、一位有效编码(one-hot)以及归一化。
93.其中，数据筛选用于将订单信息中的异常数据剔除。
94.进一步的，还可以将参数值处理为0-1特征或者连续型特征，在此不作限制。
95.s1023：将订单特征输入异常访客检测模型，获得访客检测结果。
96.其中，异常访客检测模型是基于孤立森林(isolation forest)算法构建的无监督模型。访客检测结果可以包括异常访客和普通访客。
97.s1024：若访客检测结果为异常访客，则将目标访客添加到第二异常访客集合中。
98.一种实施方式中，为提高异常访客检测的准确度，步骤103的实现过程可以采用以下任一方式：
99.方式一：将第一异常访客集合和第二异常访客集合合并，获得目标异常访客集合。
100.方式二：确定第一异常访客集合和第二异常访客集合的交集，获得目标异常访客集合。
101.进一步的，还可以通过人工对目标异常访客集合进行复核，获得复核后的目标异常访客集合。
102.这样，就可以结合异常访客判断规则以及异常访客检测模型，检测异常访客，基于isolation forest构建的异常访客检测模型，适合处理大数据量、低维度、存在全局异常点，且异常样本数量不是特别大的场景，十分符合对异常访客的检测场景，使用机器学习的方式能够识别出超出专家经验之外的风险用户，打破了现有规则的局限性，从而帮助专家更好的制定识别规则，提高识别率，并可以通过访客的订单数据分布自动灵活调整异常访客判断规则的阈值，优化了基于专家经验的规则判定方法，使得异常判断的阈值更具有统计学意义，还能够实现阈值的实时更新，提高了异常访客检测的准确度，提高了总体收益。
103.基于同一发明构思，本技术实施例中还提供了一种异常访客检测的装置，由于上述装置及设备解决问题的原理与一种异常访客检测的方法相似，因此，上述装置的实施可以参见方法的实施，重复之处不再赘述。
104.如图2所示，其为本技术实施例提供的一种异常访客检测的装置的结构框图，包括：
105.获取单元201，用于获取待检测的各访客的订单信息；
106.筛选单元202，用于从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；
107.检测单元203，用于采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；
108.获得单元204，用于基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。
109.一种实施方式中，筛选单元202还用于:
110.获取多个访客的历史订单信息；历史订单信息包括多个订单行为参数及其对应的参数值；
111.针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取目标订
单行为参数的各参数值；目标订单行为参数为各订单行为参数中的任一订单行为参数；
112.根据目标订单行为参数的各参数值，生成目标订单行为参数对应的异常判断条件；
113.基于各异常判断条件，生成异常访客判断规则。
114.一种实施方式中，筛选单元202用于:
115.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
116.判断各订单行为参数的参数值是否符合各自对应的异常判断条件；
117.若根据各订单行为参数对应的异常判断结果，确定目标访客为异常访客，则将目标访客添加到第一异常访客集合中。
118.一种实施方式中，检测单元203用于：
119.针对各访客中的目标访客，从目标访客的订单信息中，获取各订单行为参数的参数值；目标访客为各访客中的任一访客；
120.将各订单行为参数的参数值进行预处理，获得订单特征；
121.将订单特征输入异常访客检测模型，获得访客检测结果；
122.若访客检测结果为异常访客，则将目标访客添加到第二异常访客集合中。
123.一种实施方式中，检测单元203用于：
124.采用以下至少一种方式，对各订单行为参数的参数值进行预处理：
125.数据筛选、格式标准化、有序分类、一位有效编码以及归一化。
126.本技术实施例提供的一种异常访客检测的方法、装置、电子设备及存储介质中，获取待检测的各访客的订单信息；从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。这样，提高了异常访客检测的灵活性以及准确性。
127.图3示出了一种电子设备3000的结构示意图。参阅图3所示，电子设备3000包括：处理器3010以及存储器3020，可选的，还可以包括电源3030、显示单元3040、输入单元3050。
128.处理器3010是电子设备3000的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器3020内的软件程序和/或数据，执行电子设备3000的各种功能，从而对电子设备3000进行整体监控。
129.本技术实施例中，处理器3010调用存储器3020中存储的计算机程序时执行上述实施例中的各个步骤。
130.可选的，处理器3010可包括一个或多个处理单元；优选的，处理器3010可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器3010中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
131.存储器3020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、各种应用等；存储数据区可存储根据电子设备3000的使用所创建的数据等。此外，存
储器3020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
132.电子设备3000还包括给各个部件供电的电源3030(比如电池)，电源可以通过电源管理系统与处理器3010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
133.显示单元3040可用于显示由用户输入的信息或提供给用户的信息以及电子设备3000的各种菜单等，本发明实施例中主要用于显示电子设备3000中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元3040可以包括显示面板3041。显示面板3041可以采用液晶显示屏(liquid crystal display，lcd)、有机发光二极管(organic light-emitting diode，oled)等形式来配置。
134.输入单元3050可用于接收用户输入的数字或字符等信息。输入单元3050可包括触控面板3051以及其他输入设备3052。其中，触控面板3051，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板3051上或在触控面板3051附近的操作)。
135.具体的，触控面板3051可以检测用户的触摸操作，并检测触摸操作带来的信号，将这些信号转换成触点坐标，发送给处理器3010，并接收处理器3010发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板3051。其他输入设备3052可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
136.当然，触控面板3051可覆盖显示面板3041，当触控面板3051检测到在其上或附近的触摸操作后，传送给处理器3010以确定触摸事件的类型，随后处理器3010根据触摸事件的类型在显示面板3041上提供相应的视觉输出。虽然在图3中，触控面板3051与显示面板3041是作为两个独立的部件来实现电子设备3000的输入和输出功能，但是在某些实施例中，可以将触控面板3051与显示面板3041集成而实现电子设备3000的输入和输出功能。
137.电子设备3000还可包括一个或多个传感器，例如压力传感器、重力加速度传感器、接近光传感器等。当然，根据具体应用中的需要，上述电子设备3000还可以包括摄像头等其它部件，由于这些部件不是本技术实施例中重点使用的部件，因此，在图3中没有示出，且不再详述。
138.本领域技术人员可以理解，图3仅仅是电子设备的举例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
139.本技术实施例中，一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使得通信设备可以执行上述实施例中的各个步骤。
140.为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
141.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
142.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
143.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
144.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
145.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
146.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种异常访客检测的方法，其特征在于，包括：获取待检测的各访客的订单信息；从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；所述异常访客检测模型是基于孤立森林算法构建的；基于所述第一异常访客集合，以及所述第二异常访客集合，获得目标异常访客集合。2.如权利要求1所述的方法，其特征在于，在所述从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合之前，所述方法还包括:获取多个访客的历史订单信息；所述历史订单信息包括多个订单行为参数及其对应的参数值；针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取所述目标订单行为参数的各参数值；所述目标订单行为参数为各订单行为参数中的任一订单行为参数；根据所述目标订单行为参数的各参数值，生成所述目标订单行为参数对应的异常判断条件；基于各异常判断条件，生成异常访客判断规则。3.如权利要求2所述的方法，其特征在于，所述从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合，包括：针对各访客中的目标访客，从所述目标访客的订单信息中，获取各订单行为参数的参数值；所述目标访客为各访客中的任一访客；判断各订单行为参数的参数值是否符合各自对应的异常判断条件；若根据各订单行为参数对应的异常判断结果，确定所述目标访客为异常访客，则将所述目标访客添加到所述第一异常访客集合中。4.如权利要求1所述的方法，其特征在于，所述采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合，包括：针对各访客中的目标访客，从所述目标访客的订单信息中，获取各订单行为参数的参数值；所述目标访客为各访客中的任一访客；将各订单行为参数的参数值进行预处理，获得订单特征；将所述订单特征输入所述异常访客检测模型，获得访客检测结果；若所述访客检测结果为异常访客，则将所述目标访客添加到所述第二异常访客集合中。5.如权利要求4所述的方法，其特征在于，所述将各订单行为参数的参数值进行预处理，获得订单特征，包括：采用以下至少一种方式，对各订单行为参数的参数值进行预处理：数据筛选、格式标准化、有序分类、一位有效编码以及归一化。6.一种异常访客检测的装置，其特征在于，包括：获取单元，用于获取待检测的各访客的订单信息；筛选单元，用于从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；
检测单元，用于采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；所述异常访客检测模型是基于孤立森林算法构建的；获得单元，用于基于所述第一异常访客集合，以及所述第二异常访客集合，获得目标异常访客集合。7.如权利要求6所述的装置，其特征在于，所述筛选单元还用于:获取多个访客的历史订单信息；所述历史订单信息包括多个订单行为参数及其对应的参数值；针对各订单行为参数中的目标订单行为参数，从各历史订单信息中，获取所述目标订单行为参数的各参数值；所述目标订单行为参数为各订单行为参数中的任一订单行为参数；根据所述目标订单行为参数的各参数值，生成所述目标订单行为参数对应的异常判断条件；基于各异常判断条件，生成异常访客判断规则。8.如权利要求7所述的装置，其特征在于，所述筛选单元用于:针对各访客中的目标访客，从所述目标访客的订单信息中，获取各订单行为参数的参数值；所述目标访客为各访客中的任一访客；判断各订单行为参数的参数值是否符合各自对应的异常判断条件；若根据各订单行为参数对应的异常判断结果，确定所述目标访客为异常访客，则将所述目标访客添加到所述第一异常访客集合中。9.如权利要求6所述的装置，其特征在于，所述检测单元用于：针对各访客中的目标访客，从所述目标访客的订单信息中，获取各订单行为参数的参数值；所述目标访客为各访客中的任一访客；将各订单行为参数的参数值进行预处理，获得订单特征；将所述订单特征输入所述异常访客检测模型，获得访客检测结果；若所述访客检测结果为异常访客，则将所述目标访客添加到所述第二异常访客集合中。10.如权利要求9所述的装置，其特征在于，所述检测单元用于：采用以下至少一种方式，对各订单行为参数的参数值进行预处理：数据筛选、格式标准化、有序分类、一位有效编码以及归一化。11.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-5任一所述方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-5任一所述方法。

技术总结
本申请属于人工智能技术领域，公开了一种异常访客检测的方法、装置、电子设备及存储介质，该方法包括，获取待检测的各访客的订单信息；从各访客中，筛选出订单信息符合异常访客判断规则的第一异常访客集合；采用异常访客检测模型，基于各访客的订单信息进行检测，获得第二异常访客集合；异常访客检测模型是基于孤立森林算法构建的；基于第一异常访客集合，以及第二异常访客集合，获得目标异常访客集合。这样，提高了异常访客检测的灵活性以及准确性。性。性。


技术研发人员：李青星
受保护的技术使用者：创新奇智（青岛）科技有限公司
技术研发日：2023.04.12
技术公布日：2023/8/5