本申請涉及互聯網技術領域，尤其涉及一種針對網店的作弊識別方法及裝置。

背景技術：

隨著互聯網技術的不斷發(fā)展，通過互聯網進行網上購物已經成為人們購物的一種方式，網購具有價格低，而且直接送貨上門的優(yōu)點，所以網購一直受到人們的歡迎。

目前，在一些購物平臺中，一些網店為了提高自己網店的信用，會采用一些非公平性的手段，例如，有些網店會采用虛假交易行為或者點擊欺詐等方式來提高自己網店的信用。其中，虛假交易行為，也可以稱為信用炒作，即買、賣雙方以抬高信用為目的，或雙方在無實際成交的情況下做出購買和評價商品等行為，以提高賣家的好評率、訂單成交率等。點擊欺詐是指在互聯網廣告市場中，人為影響廣告的點擊率的行為。比如在以點擊結算的廣告市場中通過惡意點擊競爭對手的廣告來消耗競爭對手的廣告預算。又比如店家雇傭人手點擊自己的廣告，并在點擊后再自己的店鋪內下單，通過點擊欺詐和虛假交易來造成系統(tǒng)對于這個廣告的質量分數做出過高的估計。

在一些購物平臺中，虛假交易行為影響了平臺賣家的公平競爭，阻礙平臺的健康、穩(wěn)健發(fā)展。并且虛假的好評率、訂單成交率等，會對消費者造成誤導，影響消費者購物體驗。因此，如何對網店的這些作弊行為進行識別十分重要。目前，常用的虛假交易識別方式主要是后臺預先設定一些規(guī)則，并基于這些預定的規(guī)則對作弊行為進行識別。然而，預先設定的規(guī)則難以同時覆蓋不同團伙的特征或新的虛假交易形式，而且規(guī)則易于被不法商家識破，自適應性較弱，不能有效及時準確識別作弊行為。

技術實現要素：

本申請旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本申請的第一個目的在于提出一種針對網店的作弊識別方法，該方法提出了一種根據用戶之間的共同操作關系去識別作弊用戶的方式，該方式可以準確識別出作弊用戶，且該方式具有不易被不法商家識別，適應性強的特點。

本申請的第二個目的在于提出一種針對網店的作弊識別裝置。

為達上述目的，本申請第一方面實施例提出了一種針對網店的作弊識別方法，包括：根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶；在所述多個用戶中確 定M個用戶，其中，M為正整數，所述M個用戶包括多組用戶對，每一用戶對中的兩個用戶在預設時間段內具有的共同操作記錄的數量大于預設數量閾值；根據所述M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定所述M個用戶任意兩個用戶之間的關系圖，其中，所述關系圖以所述M個用戶作為M個用戶節(jié)點，如果所述M個用戶中兩個用戶之間存在所述共同操作關系則所述兩個用戶對應的用戶節(jié)點之間具有相連接的邊；以及根據所述關系圖計算所述M個用戶的作弊可能性，并根據所述作弊可能性識別作弊用戶。

本申請實施例的針對網店的作弊識別方法，首先根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶，然后在多個用戶中確定M個用戶，并根據M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖，其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊，以及根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶，由此，提出了一種根據用戶之間的共同操作關系去識別作弊用戶的方式，該方式可以準確識別出作弊用戶，且該方式具有不易被不法商家識別，適應性強的特點。另外，識別結果可隨著用戶之間的關系的改變而改變。

為達上述目的，本申請第二方面實施例提出了一種針對網店的作弊識別裝置，包括：第一確定模塊，用于根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶；第二確定模塊，用于在所述多個用戶中確定M個用戶，其中，M為正整數，所述M個用戶包括多組用戶對，每一用戶對中的兩個用戶在預設時間段內具有的共同操作記錄的數量大于預設數量閾值；第三確定模塊，用于根據所述M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定所述M個用戶任意兩個用戶之間的關系圖，其中，所述關系圖以所述M個用戶作為M個用戶節(jié)點，如果所述M個用戶中兩個用戶之間存在所述共同操作關系則所述兩個用戶對應的用戶節(jié)點之間具有相連接的邊；以及第一處理模塊，用于根據所述關系圖計算所述M個用戶的作弊可能性，并根據所述作弊可能性識別作弊用戶。

本申請實施例的針對網店的作弊識別裝置，首先第一確定模塊根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶，然后第二確定模塊在多個用戶中確定M個用戶，第三確定模塊根據M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖，其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊，以及第一處理模塊根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶，由此，提出了一種根據用戶之間的共同操作關系去識別作弊用戶的方式，該方式可以準確識別出作弊用戶，且該方式具有不易被不法商家識別，適應性強的特點。另外，識別結果可隨著用戶之間的關系的改變而改變。

附圖說明

圖1是本申請一個實施例的針對網店的作弊識別方法的流程圖。

圖2是本申請一個實施例的關系圖的示例圖一。

圖3是通過KCore算法對關系圖進程處理的流程圖。

圖4是本申請一個實施例的關系圖的示例圖二。

圖5是包含用戶節(jié)點的層次值的關系圖的示例圖。

圖6是基于連通圖算法生成K-core子圖中的每個用戶節(jié)點的標簽的流程圖。

圖7是基于社區(qū)發(fā)現算法生成K-core子圖中的每個用戶節(jié)點的標簽的流程圖。

圖8是本申請一個實施例的針對網店的作弊識別裝置的結構示意圖。

圖9是本申請另一個實施例的針對網店的作弊識別裝置的結構示意圖。

具體實施方式

下面詳細描述本申請的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本申請，而不能理解為對本申請的限制。

下面參考附圖描述本申請實施例的針對網店的作弊識別方法及裝置。

圖1是本申請一個實施例的針對網店的作弊識別方法的流程圖。

如圖1所示，該針對網店的作弊識別方法包括：

S101，根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶。

S102，在多個用戶中確定M個用戶，其中，M為正整數，M個用戶包括多組用戶對，每一用戶對中的兩個用戶在預設時間段內具有的共同操作記錄的數量大于預設數量閾值。

在本申請的一個實施例中，在獲取對目標網店的網頁進行操作的多個用戶后，可獲取多個用戶中任意兩個用戶之間的共同操作記錄，并判斷這兩個用戶之間的共同操作記錄的數量是否大于預設閾值，如果這兩個用戶之間的共同操作記錄的數量大于預設數量閾值，則確定這兩個用戶之間具有共同操作關系，并將這兩個用戶作為一個用戶對并加入共同操作關系用戶集合。其中，共同操作關系用戶集合中包括M個用戶。每個用戶對包括至少兩個用戶。

具體地，針對目標網店的網頁，在獲取目標網店在預設時間內的歷史購買記錄、收藏、好評、加入購物車記錄等后，可獲取任意兩個用戶針對目標網店的操作，并判斷操作是否屬于預設時間段，如果屬于預設時間段，則判斷這兩個用戶之間存在共同操作記錄。具體而言，可統(tǒng)計這兩個買家在同一家店鋪購買過商品、收藏過商品、好評、加入購物車等操作之間的時間差是否在預設時間段，如果屬于預設時間段，則確定對應的兩個買家之間存在共同操作記錄數，以及判斷這兩個買家之間的共同操作記錄是否大于預設數量閾值例如5條，如果兩個買家之間的共同操作記錄大于預設數量閾值例如5條，則將對應的兩個用戶作為具有共同操作關系的一個用戶對，并加入共同操作關系用戶集合。

例如，假定目標網店為店鋪C，可獲取店鋪C在一周內的歷史購買記錄、收藏、好評、加入購物車記錄等，并取時間間隔為一小時，若買家A在9點時在店鋪C發(fā)生購買行為，買家B在9點10分時在店鋪C發(fā)生購買行為，則確定買家A與買家B存在一條共同操作記錄。

S103，根據M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖。

其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊。

具體地，可根據共同操作關系用戶集合中的M用戶以及任意兩個用戶之間的共同操作關系建立關系圖，具體而言，將共同操作關系用戶集合中的每個用戶作為一個用戶節(jié)點，如果用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊。

例如，共同操作關系用戶集合中有8個用戶，假定各個用戶之間的共同操作關系如下：與用戶1之間存在共同操作關系的用戶為：用戶2、用戶3；與用戶2之間存在共同操作關系的用戶為：用戶1、用戶3、用戶4；與用戶3之間存在共同操作關系的用戶為：用戶1、用戶2、用戶4、用戶5；與用戶4之間存在共同操作關系的用戶為：用戶2、用戶3、用戶5；與用戶5之間存在共同操作關系的用戶為：用戶3、用戶4；與用戶6之間存在共同操作關系的用戶為用戶5、用戶7、用戶8；與用戶7之間存在共同操作關系的用戶為用戶6、用戶8；與用戶8之間存在共同操作關系的用戶為用戶6、用戶7。根據上述用戶之間的共同操作關系所建立的關系圖，如圖2所示，需要說明的是，圖2僅是根據買家之間的共同操作關系所建立的關系圖的一個示例。

S104，根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶。

具體地，在根據用戶之間的共同操作關系建立對應的關系圖之后，可先通過KCore算法對關系圖進行處理，以生成K-core子圖，其中，K-core子圖中的用戶均存在作弊可能性，因此將K-core子圖中的用戶作為作弊用戶，即將K-core子圖中的用戶節(jié)點所對應的用戶作為作弊用戶。

在本申請的實施例中，在確定了作弊用戶之后，生成K-core子圖中的用戶節(jié)點的標簽，并根據標簽對作弊用戶進行劃分，以確定作弊用戶所屬的作弊團伙。其中，如果多個用戶節(jié)點具有相同的標簽，則說明這些用戶節(jié)點對應的用戶屬于同一個作弊團伙。

其中，通過KCore算法對關系圖進行處理，以生成K-core子圖的具體過程，如圖3所示，包括：

S11、設定k值為初始值。

其中，KCore算法中k值的設定與系統(tǒng)處理的業(yè)務有關，例如，可將k值設置為11。需要說明的是，此處將k值設置為11僅是出于示例目的，本申請的實施例不限于此。

S12、去除關系圖中節(jié)點度值小于或等于k值的用戶節(jié)點，且去除與已去除的用戶節(jié)點 連接的邊，并重新計算新關系圖中每個用戶節(jié)點的節(jié)點度值。

其中，節(jié)點度值是指關系圖中每個用戶點的鄰居數。

具體地，將關系圖中鄰居數小于或等于k值的用戶節(jié)點去除，并去除與已去除的用戶節(jié)點連接的邊，此時，有些原本鄰居數大于k值的用戶節(jié)點，在新關系圖的鄰居數會變得小于k值。

S13、判斷新關系圖中是否還有節(jié)點度值小于或等于k值的用戶節(jié)點，如果還有節(jié)點度值小于或等于k值的用戶節(jié)點，則跳轉至步驟S12，如果否，則執(zhí)行步驟S14。

S14、輸出當前的新關系圖，并將當前的新關系圖作為K-core子圖。

由此，可以看出，KCore算法在迭代的過程中，逐層去除關系圖中用戶節(jié)點的節(jié)點度值小于或者等于k值的用戶節(jié)點，直到剩下的用戶節(jié)點的鄰居數均大于k值時，輸出當前對應的新關系圖，當前的新關系圖即為K-core子圖。

需要說明的是，KCore算法在迭代的過程中將不重要的節(jié)點逐層去除，假定用ks表示節(jié)點所屬的層次。其中，ks的值為1的用戶節(jié)點的重要性最低，首先被去除，接著ks的值為2的用戶節(jié)點會被去除，如此迭代。ks的值越大表示節(jié)點越重要。例如，關系圖如圖4所示，則圖4對應的包含每個用戶節(jié)點的層次值ks的示意圖，如圖5所示。

在本申請的一個實施例中，在通過KCore算法對關系圖進行處理，生成K-core子圖后，如果所生成的K-core子圖的結構較為簡單，或對作弊團伙區(qū)分精度要求不高，可通過連通圖算法生成K-core子圖中的每個用戶節(jié)點的標簽。其中，通過連通圖算法生成K-core子圖中的每個用戶節(jié)點的標簽的具體過程如圖6所示，可以包括：

S21、為每個用戶節(jié)點分配初始標簽。

具體地，K-core子圖中的每個用戶節(jié)點均有自己的一個ID號，可將每個用戶節(jié)點的ID號作為對應的用戶節(jié)點的初始標簽。

S22、每個用戶節(jié)點將自身的標簽廣播給與自身相鄰的用戶節(jié)點。

S23、接收到廣播的標簽的用戶節(jié)點根據接收到的標簽和自身的標簽生成新標簽。

在本申請的一個實施例中，接收到廣播的標簽的用戶節(jié)點可將接收到的標簽和自身的標簽進行比較，并選擇二者的最小值作為新標簽。

S24、判斷用戶節(jié)點的標簽是否不再變化，如果用戶節(jié)點的標簽不再變化，則執(zhí)行步驟S25，否則，返回步驟S22。

S25，如果用戶節(jié)點的標簽不再變化，則輸出用戶節(jié)點的標簽。

在通過上述計算后可以計算出K-core子圖中每個用戶節(jié)點中的標簽后，具有相同標簽的用戶節(jié)點屬于同一個連通圖，即具有相同標簽的用戶屬于同一個作弊團伙。

需要說明的是，通常不同兩個用戶如果屬于不同的作弊團伙，則他們之間不會存在較強的共同操作關系，即關系圖中對應的兩個用戶節(jié)點之間不存在互相連接的邊，因此，通過上述連通圖算法可以計算出對應的兩個用戶節(jié)點的標簽不同，標簽不同說明用戶節(jié)點所 對應的用戶所屬的作弊團伙不同。

在本申請的一個實施例中，如果所生成的K-core子圖的結構較為復雜，或需要較為準確地區(qū)分不同的作弊鉆聯盟，可以使用社區(qū)發(fā)現算法生成K-core子圖中的每個用戶節(jié)點的標簽。

其中，需要說明的是，所生成的K-core子圖的結構較為復雜時，屬于同一個社區(qū)的節(jié)點間的連線較為稠密，不同社區(qū)的節(jié)點間的連線較為稀疏，即同一個社區(qū)內的節(jié)點所對應的用戶的關系更為緊密，能很好地反映作弊聯盟的“團伙”屬性。

其中，根據社區(qū)發(fā)現算法生成K-core子圖中的每個用戶節(jié)點的標簽的具體過程如圖7所示，可以包括：

S31、為每個用戶節(jié)點分配初始標簽。

具體地，K-core子圖中的每個用戶節(jié)點均有自己的一個ID號，可將每個用戶節(jié)點的ID號作為對應的用戶節(jié)點的初始標簽。

S32、每個用戶節(jié)點將自身的標簽廣播給與自身相鄰的用戶節(jié)點。

S33、每個用戶節(jié)點對接收到的標簽進行匯總，并選擇出現次數最多的標簽作為新標簽。

其中，需要說明的是，如果出現次數相同的多個標簽，則從對應的多個標簽中隨機選擇其中一個標簽作為新標簽。

S34、判斷用戶節(jié)點的標簽是否不再變化，或者判斷是否達到最大迭代次數，如果是，則執(zhí)行步驟S35，如果否，則返回步驟S32。

S35，輸出用戶節(jié)點的標簽。

具體地，在基于社區(qū)發(fā)現算法計算出K-core子圖中的每個用戶節(jié)點的標簽后，可通過用戶節(jié)點的標簽對作弊用戶進行劃分，具有同樣標簽的用戶節(jié)點屬于同一個社區(qū)，即具有相同標簽的用戶屬于同一個作弊團伙。

需要說明的是，在識別出作弊用戶后，可對作弊用戶執(zhí)行對應的操作，例如，可對作弊用戶進行封號，以避免作弊用戶繼續(xù)刷鉆或者點擊廣告，以保證平臺的健康、穩(wěn)健發(fā)展。

綜上可以看出，該實施例提出了一種根據用戶過用戶之間的共同操作關系建立關系圖，并根據關系圖去去識別作弊用戶的方式，與通過預設規(guī)則識別用戶作弊的方式來說，該實施例的方式具有以下優(yōu)點：(1)充分考慮用戶與用戶之間的關系，方便基于大數據來那個的用戶關系進行快速計算。(2)在作弊聯盟(作弊團伙)的作弊行為不斷變化時，該實施例所建立的關系圖也將隨著發(fā)生改變，通過該實施例的方式，同樣可以準確識別出作弊用戶。也就是說，該實施例的模型不受作弊聯盟的特征的影響，模型的精確度高。(3)作弊聯盟不能有效破解該實施例的識別網站作弊的方式，使得正常投放的廣告主相信自己不會遭到競爭對手的點擊欺詐，保證了平臺健康、穩(wěn)定發(fā)展。

本申請實施例的針對網店的作弊識別方法，首先根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶，然后在多個用戶中確定M個用戶，并根據M個用戶中的 每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖，其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊，以及根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶，由此，提出了一種根據用戶之間的共同操作關系去識別作弊用戶的方式，該方式可以準確識別出作弊用戶，且該方式具有不易被不法商家識別，適應性強的特點。另外，識別結果可隨著用戶之間的關系的改變而改變。

為了實現上述實施例，本申請還提出一種針對網店的作弊識別裝置。

圖8是本申請一個實施例的針對網店的作弊識別裝置的結構示意圖。

如圖8所示，該針對網店的作弊識別裝置包括第一確定模塊100、第二確定模塊200、第三確定模塊300和第一處理模塊400，其中：

第一確定模塊100用于根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶；第二確定模塊200用于在多個用戶中確定M個用戶，其中，M為正整數，M個用戶包括多組用戶對，每一用戶對中的兩個用戶在預設時間段內具有的共同操作記錄的數量大于預設數量閾值；第三確定模塊300用于根據M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖，其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊；以及第一處理模塊400用于根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶。

具體地，在第一確定模塊100獲取對目標網店進行操作的多個用戶后，第二確定模塊200可獲取多個用戶中任意兩個用戶之間的共同操作記錄，并判斷這兩個用戶之間的共同操作記錄的數量是否大于預設閾值，如果這兩個用戶之間的共同操作記錄的數量大于預設數量閾值，則確定這兩個用戶之間具有共同操作關系，并將這兩個用戶作為一個用戶對并加入共同操作關系用戶集合。其中，共同操作關系用戶集合中包括M個用戶。每個用戶對包括至少兩個用戶。

其中，預設數量閾值是系統(tǒng)預先為加入共同操作關系用戶集合中的用戶所設定的共同操作記錄的數量的閾值。例如，預設數量閾值為5，對于每個用戶，第一確定模塊100可判斷任意兩個用戶之間共同操作記錄的數量是否大于5，如果兩個用戶之間的共同操作記錄大于預設數量閾值例如5條，則將對應的兩個用戶加入共同操作關系用戶集合。

其中，上述第一確定模塊100具體用于：獲取任意兩個用戶針對目標網店的操作；判斷操作是否屬于預設時間段；以及如果屬于預設時間段，則判斷任意兩個用戶之間存在共同操作記錄。

例如，假定目標網店為店鋪C，第一確定模塊100可獲取店鋪C在一周內的歷史購買記錄、收藏、好評、加入購物車記錄等，并取時間間隔為一小時，若買家A在9點時在店 鋪C發(fā)生購買行為，買家B在9點10分時在店鋪C發(fā)生購買行為，則第一確定模塊100可確定買家A與買家B存在一條共同操作記錄。

具體地，第一處理模塊400可通過KCore算法對關系圖進行處理，以生成K-core子圖，其中，K-core子圖中的用戶均存在作弊可能性；以及將K-core子圖中的用戶作為作弊用戶。

其中，上述第一處理模塊400可通過KCore算法對關系圖進行處理，以生成K-core子圖的具體過程如圖3所示，此處不再贅述。

如圖9所示，上述裝置還可以包括第二處理模塊500，該第二處理模塊500用于在第一處理模塊400將K-core子圖中的用戶作為作弊用戶之后，生成K-core子圖中的用戶節(jié)點的標簽；以及根據標簽對作弊用戶進行劃分，以確定作弊用戶所屬的作弊團伙，其中，具有相同標簽的作弊用戶屬于同一個作弊團伙。

在本申請的一個實施例中，如果所生成的K-core子圖的結構較為簡單，或對刷鉆聯盟區(qū)分精度要求不高，第二處理模塊500可通過步驟S21至S24生成K-core子圖中的用戶節(jié)點的標簽，其中，S21、為每個用戶節(jié)點分配初始標簽；S22、每個用戶節(jié)點將自身的標簽廣播給與自身相鄰的用戶節(jié)點；S23、接收到廣播的標簽的用戶節(jié)點根據接收到的標簽和自身的標簽生成新標簽；具體地，接收到廣播的標簽的用戶節(jié)點將接收到的標簽和自身的標簽進行比較，選擇二者的最小值作為新標簽。S24、重復執(zhí)行步驟S22至S23，直至用戶節(jié)點的標簽不再變化。第二處理模塊500基于連通圖算法生成K-core子圖中的每個用戶節(jié)點的標簽的具體過程如圖6所示。

另外，如果所生成的K-core子圖的結構較為復雜，或需要較為準確地區(qū)分不同的作弊鉆聯盟，第二處理模塊500可通過步驟S31至S34生成K-core子圖中的用戶節(jié)點的標簽，其中，S31、為每個用戶節(jié)點分配初始標簽；S32、每個用戶節(jié)點將自身的標簽廣播給與自身相鄰的用戶節(jié)點；S33、每個用戶節(jié)點對接收到的標簽進行匯總，并選擇出現次數最多的標簽作為新標簽；S34、重復執(zhí)行步驟S32至S33，直至用戶節(jié)點的標簽不再變化或達到最大迭代次數。第二處理模塊500基于社交發(fā)現算法生成K-core子圖中的每個用戶節(jié)點的標簽的具體過程如圖7所示。

需要說明的是，在第二處理模塊500生成K-core子圖中的每個用戶節(jié)點的標簽后，第二處理模塊500可根據用戶節(jié)點的標簽對作弊用戶進行劃分，以確定作弊用戶所屬的作弊團伙。具體地，第二處理模塊500可確定具有相同標簽的用戶節(jié)點屬于同一個連通圖，即具有相同標簽的用戶屬于同一個作弊聯盟。由此，識別出了作弊用戶，以及確定了作弊用戶所屬的作弊聯盟。

在識別出作弊用戶后，第一處理模塊400還可對作弊用戶執(zhí)行對應的操作，例如，可對作弊用戶進行封號，以避免作弊用戶繼續(xù)刷鉆或者點擊廣告，以保證平臺的健康、穩(wěn)健發(fā)展。

需要說明的是，前述對針對網店的作弊識別方法實施例的解釋說明也適用于該實施例 的針對網店的作弊識別裝置，此處不再贅述。

本申請實施例的針對網店的作弊識別裝置，首先第一確定模塊根據用戶歷史行為日志確定對目標網店的網頁進行操作的多個用戶，然后第二確定模塊在多個用戶中確定M個用戶，第三確定模塊根據M個用戶中的每一個用戶與其他用戶的共同操作記錄，確定M個用戶任意兩個用戶之間的關系圖其中，關系圖以M個用戶作為M個用戶節(jié)點，如果M個用戶中兩個用戶之間存在共同操作關系則兩個用戶對應的用戶節(jié)點之間具有相連接的邊，以及第一處理模塊根據關系圖計算M個用戶的作弊可能性，并根據作弊可能性識別作弊用戶，由此，提出了一種根據用戶之間的共同操作關系去識別作弊用戶的方式，該方式可以準確識別出作弊用戶，且該方式具有不易被不法商家識別，適應性強的特點。另外，識別結果可隨著用戶之間的關系的改變而改變。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本申請的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外，在不相互矛盾的情況下，本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結合和組合。

此外，術語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特征的數量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本申請的描述中，“多個”的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現特定邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本申請的優(yōu)選實施方式的范圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應被本申請的實施例所屬技術領域的技術人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認為是用于實現邏輯功能的可執(zhí)行指令的定序列表，可以具體實現在任何計算機可讀介質中，以供指令執(zhí)行系統(tǒng)、裝置或設備(如基于計算機的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設備取指令并執(zhí)行指令的系統(tǒng))使用，或結合這些指令執(zhí)行系統(tǒng)、裝置或設備而使用。就本說明書而言，"計算機可讀介質"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設備或結合這些指令執(zhí)行系統(tǒng)、裝置或設備而使用的裝置。計算機可讀介質的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布 線的電連接部(電子裝置)，便攜式計算機盤盒(磁裝置)，隨機存取存儲器(RAM)，只讀存儲器(ROM)，可擦除可編輯只讀存儲器(EPROM或閃速存儲器)，光纖裝置，以及便攜式光盤只讀存儲器(CDROM)。另外，計算機可讀介質甚至可以是可在其上打印所述程序的紙或其他合適的介質，因為可以例如通過對紙或其他介質進行光學掃描，接著進行編輯、解譯或必要時以其他合適方式進行處理來以電子方式獲得所述程序，然后將其存儲在計算機存儲器中。

應當理解，本申請的各部分可以用硬件、軟件、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現。例如，如果用硬件來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用于對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現場可編程門陣列(FPGA)等。

本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。

此外，在本申請各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現，也可以采用軟件功能模塊的形式實現。所述集成的模塊如果以軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。

上述提到的存儲介質可以是只讀存儲器，磁盤或光盤等。盡管上面已經示出和描述了本申請的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本申請的限制，本領域的普通技術人員在本申請的范圍內可以對上述實施例進行變化、修改、替換和變型。