[发明专利]用户身份的识别、信息的过滤及搜索方法和服务器

权利要求书

1.一种用户身份的识别方法，其特征在于，所述方法包括：

获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；

对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户；

根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；

所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。

2.根据权利要求1所述的用户身份的识别方法，其特征在于，

所述待识别用户的历史购买信息具体包括下述参数中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率；

所述注册信息具体包括下述参数中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息。

3.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述退款的次数以及所述订单的数目，计算所述待识别用户的退款率。

4.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的中差评的次数以及所述订单的数目，计算所述待识别用户的中差评率。

5.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述中差评对应店铺的数目以及所述订单对应店铺的数目，计算所述待识别用户的中差评店铺率。

6.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述中差评转好评对应店铺的数目以及所述中差评对应店铺的数目，计算所述待识别用户的中差评转好评店铺率。

7.根据权利要求1所述的用户身份的识别方法，其特征在于，所述身份识别模型具体通过以下步骤获得：

获取所述其他用户的历史购买信息以及注册信息；

将所述其他用户的历史购买信息以及注册信息作为人工神经网络模型的输入，根据所述人工神经网络模型的输出，对所述人工神经网络型进行训练和优化，得到身份识别模型。

8.根据权利要求1所述的用户身份的识别方法，其特征在于，所述根据所述身份识别值，判断所述待识别用户是否为非正常行为用户具体为：

当所述身份识别值大于第一阈值时，判断所述待识别用户为非正常行为用户；

当所述身份识别值小于所述第一阈值但是大于第二阈值时，判断所述待识别用户为高危用户；

当所述身份识别值小于所述第二阈值时，判断所述待识别用户为普通用户。

9.根据权利要求8所述的用户身份的识别方法，其特征在于，所述方法还包括：当判断所述待识别用户为高危用户时，将所述高危用户保存在历史高危数据库中；

检测所述高危用户的新的购买信息，当所述高危用户的身份识别值大于第三阈值时，判断所述高危用户为非正常行为用户。

10.一种信息的过滤方法，其特征在于，所述方法包括：

接收用户通过客户端发送的搜索评价信息的请求消息；

判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；

如果是，则对所述非正常行为用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示；

所述待识别用户的历史行为信息包括历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。