套利用户识别方法、装置、电子设备及介质与流程

本申请涉及计算机技术领域，具体而言，本申请涉及一种套利用户识别方法、装置、电子设备及介质。

背景技术：

套利行为通常伴随营销活动，浪费营销活动资金。传统情况下，当营销活动被套利用户大规模薅羊毛后，开展营销活动的人员，才能通过结果追查原因。目前，主要是通过“名单+规则”的方式进行套利的防范，即通过分析套利行为模式，发现规则，用在未来的营销活动中；对于被发现的套利用户，将其纳入套利名单，用于控制套利用户参与后续营销活动。然而，随着营销套利活动呈现团伙作案的趋势，营销费用被套利客户快速吸干，营销活动达不到预期效果，营销资金被浪费的情况时有发生，如何发现套利团伙，成为亟待解决的问题。

技术实现要素：

本申请提供了一种套利用户识别方法、装置、电子设备及介质，用于有效识别出群体中的套利用户。本申请采用的技术方案如下：

第一方面，提供了一种套利用户识别方法，包括：

基于预识别出的套利用户确定目标社群中各个用户的标签；

基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；

基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。

可选地，基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户，包括：

基于社群中的套利用户的概率密度值确定最小概率密度值与最大概率密度值；

如果任一其他用户的概率密度值在最小概率密度值与最大概率密度值区间内，则将任一其他用户确定为套利用户。

可选地，预定的目标概率密度函数的确定过程包括：

确定目标用户集中各个用户的目标特征变量；

基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计；

基于均值估计、方差估计结果确定目标概率密度函数。

可选地，目标概率密度函数为联合概率密度函数，目标特征变量包括多个特征变量，该方法还包括：

确定其中一个特征变量的概率密度函数步骤，用于针对目标用户集中各个用户目标特征变量中的其中一个特征变量进行均值估计、方差估计，并基于均值估计、方差估计结果确定针对其中一个特征变量的概率密度密度函数；

重复执行确定其中一个特征变量的概率密度函数步骤，得到各个特征变量对应的概率密度函数；

基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数。

可选地，基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数，包括：

对确定的各个特征变量对应的概率密度函数进行乘积得到目标概率密度函数。

可选地，基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计，之前包括：

基于目标用户集中各个用户的目标特征变量的分布情况判断是否符合正态分布；

如果分布情况不符合正态分布，则对目标用户集中各个用户的目标特征变量进行数学转换使其分布情况符合正态分布。

可选地，目标特征变量确定过程包括：

确定用户的多个候选特征变量；

确定两两候选特征变量的相关性；

基于两两候选特征变量的相关性进行候选特征变量的筛选确定目标特征变量。

可选地，特征变量如下至少一种数据确定：

用户交易数据、用户信用数据、用户社交数据

可选地，该方法还包括：

基于目标用户集中各个用户的用户数据构建用户关系知识图谱；

基于用户关系知识图谱通过社群发现算法确定至少一个社群。

可选地，用户数据为交易相关数据，基于目标用户集中各个用户的用户数据构建用户关系知识图谱，包括：

以用户作为节点、用户之间的交易关系作为边构建用户关联关系三元组；

基于构建的用户关联关系三元组通过连通子图算法确定用户关系知识图谱。

可选地，社群发现算法为基于模块度的社区发现算法；

所诉模块度的计算公式为：其中，σin表示社群c内的边的权重之和，σtot表示与社群c内的节点相连的边的权重之和，m表示社群的数量。

第二方面，提供了一种套利用户识别装置，包括：

第一确定模块，用于基于预识别出的套利用户确定目标社群中各个用户的标签；

第二确定模块，用于基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；

第三确定模块，用于基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。

可选地，第三确定模块包括：

第一确定单元，用于基于社群中的套利用户的概率密度值确定最小概率密度值与最大概率密度值；

第二确定单元，用于如果任一其他用户的概率密度值在最小概率密度值与最大概率密度值区间内，则将任一其他用户确定为套利用户。

可选地，该装置包括：

第四确定模块，用于确定目标用户集中各个用户的目标特征变量；

估计模块，用于基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计；

第五确定模块，用于基于均值估计、方差估计结果确定目标概率密度函数。

可选地，目标概率密度函数为联合概率密度函数，目标特征变量包括多个特征变量，该装置还包括：

第六确定模块，用于针对目标用户集中各个用户目标特征变量中的其中一个特征变量进行均值估计、方差估计，并基于均值估计、方差估计结果确定针对其中一个特征变量的概率密度密度函数；

重复执行模块，用于重复执行第六确定模块的功能，得到各个特征变量对应的概率密度函数；

第七确定模块，基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数。

可选地，第七确定模块，具体用于对确定的各个特征变量对应的概率密度函数进行乘积得到目标概率密度函数。

可选地，该装置还包括：

判断模块，用于基于目标用户集中各个用户的目标特征变量的分布情况判断是否符合正态分布；

转换模块，用于如果分布情况不符合正态分布，则对目标用户集中各个用户的目标特征变量进行数学转换使其分布情况符合正态分布。

可选地，该装置还包括：

第八确定模块，确定用户的多个候选特征变量；

第九确定模块，确定两两候选特征变量的相关性；

第十确定模块，基于两两候选特征变量的相关性进行候选特征变量的筛选确定目标特征变量。

可选地，其特征在于，特征变量如下至少一种数据确定：

用户交易数据、用户信用数据、用户社交数据

可选地，该装置还包括：

构建模块，用于基于目标用户集中各个用户的用户数据构建用户关系知识图谱；

第十一确定模块，基于用户关系知识图谱通过社群发现算法确定至少一个社群。

可选地，用户数据为交易相关数据，构建模块包括：

构建单元，用于以用户作为节点、用户之间的交易关系作为边构建用户关联关系三元组；

第三确定单元，用于基于构建的用户关联关系三元组通过连通子图算法确定用户关系知识图谱。

可选地，社群发现算法为基于模块度的社区发现算法；

所诉模块度的计算公式为：其中，σin表示社群c内的边的权重之和，σtot表示与社群c内的节点相连的边的权重之和，m表示社群的数量。

第三方面，提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的套利用户识别方法。

第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的套利用户识别方法。

本申请提供了一种套利用户识别方法、装置、电子设备及介质，与现有技术通过“规则+名单”的方式进行套利用户识别相比，本申请通过基于预识别出的套利用户确定目标社群中各个用户的标签；基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。即本申请基于概率密度函数进行社群中套利用户的识别，提升套利团伙发现效率，解决了现有的“套利规则+套利名单”无法应对团伙作案、识别团伙套利的问题。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例的一种套利用户识别方法的流程示意图；

图2为本申请实施例的套利用户识别装置的结构示意图；

图3为本申请实施例的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

相关现有技术说明：

套利规则，通过分析套利交易发生场景，事后复原当时的情况。反套利规则挖掘需要分析的信息包括活动信息，如活动的时间、地点、参与活动的前提条件；客户信息，如客户的地址、年龄、资产状况；交易信息，如交易的时间，交易地点，交易方式等。数据经过分析挖掘，套利模式被发现。通过技术开发，将套利模式转换为反套利规则。反套利规则在部署到生产环境后，实现营销人员在后续营销活动中反套利的目标。

除套利规则外，套利名单也是反套利的一种方案，但因用户隐私问题，套利名单只能营销活动方单独积累，不能共享，名单只能来源于历史积累，且数量有限。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例一

本申请实施例提供了一种套利用户识别方法，如图1所示，该方法可以包括以下步骤：

步骤s101，基于预识别出的套利用户确定目标社群中各个用户的标签；其中，预识别出的套利用户可以是通过现有技术识别出来的，如通过人工分析多个用户之间的交易活动确定出来的；可以基于预识别出来的套利用户给目标社群中的各个用户打标签，如可以通过关键词匹配的方法，将预识别出的套利用户与目标社群中的用户进行匹配，如果在预识别出的套利用户中，则社群中的该用户标记为套利用户，如果不在在预识别出的套利用户中，则标记为待识别用户。

步骤s102，基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；

具体地，可以将社群中各个用户的特征变量输入预定的目标概率密度函数，从而得到社群中各个用户的概率密度值。

步骤s103，基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。

具体地，基于社群中的套利用户的概率密度值确定最小概率密度值与最大概率密度值；

如果任一其他用户的概率密度值在最小概率密度值与最大概率密度值区间内，则将任一其他用户确定为套利用户。

对于本申请实施例，与现有技术通过“规则+名单”的方式进行套利用户识别相比，本申请实施例通过基于预识别出的套利用户确定目标社群中各个用户的标签；基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。即本申请实施例基于概率密度函数进行社群中套利用户的识别，提升套利团伙发现效率，解决了现有的“套利规则+套利名单”无法应对团伙作案、识别团伙套利的问题。

本申请实施例提供了一种可能的实现方式，具体地，预定的目标概率密度函数的确定过程包括：

确定目标用户集中各个用户的目标特征变量；

基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计；

基于均值估计、方差估计结果确定目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，目标概率密度函数为联合概率密度函数，目标特征变量包括多个特征变量，该方法还包括：

确定其中一个特征变量的概率密度函数步骤，用于针对目标用户集中各个用户目标特征变量中的其中一个特征变量进行均值估计、方差估计，并基于均值估计、方差估计结果确定针对其中一个特征变量的概率密度密度函数；

重复执行确定其中一个特征变量的概率密度函数步骤，得到各个特征变量对应的概率密度函数；

基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数，包括：

对确定的各个特征变量对应的概率密度函数进行乘积得到目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计，之前包括：

基于目标用户集中各个用户的目标特征变量的分布情况判断是否符合正态分布；

如果分布情况不符合正态分布，则对目标用户集中各个用户的目标特征变量进行数学转换使其分布情况符合正态分布。

本申请实施例提供了一种可能的实现方式，具体地，目标特征变量确定过程包括：

确定用户的多个候选特征变量；

确定两两候选特征变量的相关性；

基于两两候选特征变量的相关性进行候选特征变量的筛选确定目标特征变量。

本申请实施例提供了一种可能的实现方式，具体地，特征变量如下至少一种数据确定：

用户交易数据、用户信用数据、用户社交数据。

示例性地，联合密度概率函数值的确定包括如下步骤：

s1，获取用户的所有特征变量，取数值型变量保存f＝(f1，f2，f3......fn)。

s2，计算数值型特征变量两两线之间的性相关性，删除相关性大于某阈值e的特征，得到f＝(f1，f2，f3......fm)，即如果两个特征变量的相关性比价大，则可以进保留一个特征变量。

s3，对于用户所有数值型特征变量f，描述每一个特征fi的分布情况，对于不符合正太分布的特征，使用数学转换，如对数转换，将其转换为正态分布。示例性地，以三个用户为例，x对应有特征变量fx1、fx2、fx3...fx4，y对应有特征变量fy1、fy2、fy3...fy4，z对应有特征变量fz1、fz2、fz3...fz4，其中可以针对用户的一个共同特征f1(fx1、fy1、fz1)描述特征变量的分布。

s4，初始化特征变量的均值为0，方差为1，用于保存特征变量的均值估计值，方差估计值。n(μ，σ²)＝{n1(μ1，σ1²),n2(μ2，σ2²),n3(μ3，σ3²)......nm(μm，σm²)}。

s5，计算客户特征fi的均值估计值μ，计算客户特征fi的方差估计值σ²，得到每个特征的计算结果，ni(μ，σ²)，直至完成所有特征均值方差的估计。然后根据得到的各个特征的均值估计值μ、方差估计值σ²确定该特征对应的概率密度函数。

s6，对所有用户cu＝(cu1，cu2，cu3......cun)，基于根据n(μ，σ²)确定的所有特征对应的概率密度函数，计算用户特征变量f的概率密度函数值f＝(f1，f2，f3......fn)，即将用户的特征变量分别带入对应的概率密度函数得到概率密度值。

s7，计算用户所有特征的概率密度函数值fu＝∏(f1，f2，f3......fn)，得到所有客户所有非线性相关的概率密乘积：cuf＝(cuf1，cuf2，cuf3......cufm)。

本申请实施例提供了一种可能的实现方式，进一地，该方法还包括：

基于目标用户集中各个用户的用户数据构建用户关系知识图谱；

基于用户关系知识图谱通过社群发现算法确定至少一个社群。

本申请实施例提供了一种可能的实现方式，具体地，用户数据为交易相关数据，基于目标用户集中各个用户的用户数据构建用户关系知识图谱，包括：

以用户作为节点、用户之间的交易关系作为边构建用户关联关系三元组；

基于构建的用户关联关系三元组通过连通子图算法确定用户关系知识图谱。

本申请实施例提供了一种可能的实现方式，进一地，社群发现算法为基于模块度的社区发现算法；

所诉模块度的计算公式为：其中，σin表示社群c内的边的权重之和，σtot表示与社群c内的节点相连的边的权重之和，m表示社群的数量。

社群具有四个典型特征：社区内部节点之间相互联系密切；社区之间节点之间相互联系稀疏；社区内部边的数量越多，社区之间连边越少，这个社区的模块度越大，边的数量与模块度大小成反比关系。社群的模块度越大，社群划分的越好。

示例性地，基于模块度的社区发现算法包括如下步骤：

步骤s11，定义模块度q

其中，σin表示社群c内的边的权重之和，σtot表示与社群c内的节点相连的边的权重之和，m表示社群的数量。

s12，初始化图谱中的每个节点为一个独立的社群(社群的数目与节点个数相同)，记录社群的模块度q1，q2，q3......qn；

s13，对每个节点vi，依次把节点vi分配到与其相邻的每一个邻居节点v1，v2，v3......vn所构成的社群，并记录每个社群的模块度q′1，q′2，q′3......q′n；

s14，计算分配前模块度q1与分配后的模块度q′1，计算δq(q′1-q1)，得到

δq1，δq2，δq3......δqn；

s15，取δq最大的社群cmax，如果maxδq>0，则把节点vi分配到δq最大的那个邻社群ci；否则保持不变；

s16，对图进行压缩，将所有在同一个社群的节点压缩成一个新节点，社群内节点之间的边的权重转化为新节点的环的权重，社群间的边权重转化为新节点间的边权重；

s27，重复s22-s26，当整个图的模块度不再发生变化，所有节点的所属社群得到确定，社群发现结束，得到社群cm＝(cm1，cm2，cm3......cmn)。

对于本申请实施例，解决了社群如何确定的问题。

实施例二

图3为本申请实施例提供的套利用户识别装置，该装置20包括：

第一确定模块201，用于基于预识别出的套利用户确定目标社群中各个用户的标签；

第二确定模块202，用于基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；

第三确定模块203，用于基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。

本申请实施例提供了一种可能的实现方式，具体地，第三确定模块包括：

第一确定单元，用于基于社群中的套利用户的概率密度值确定最小概率密度值与最大概率密度值；

第二确定单元，用于如果任一其他用户的概率密度值在最小概率密度值与最大概率密度值区间内，则将任一其他用户确定为套利用户。

本申请实施例提供了一种可能的实现方式，具体地，该装置包括：

第四确定模块，用于确定目标用户集中各个用户的目标特征变量；

估计模块，用于基于确定的目标用户集中各个用户的目标特征变量进行均值估计、方差估计；

第五确定模块，用于基于均值估计、方差估计结果确定目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，目标概率密度函数为联合概率密度函数，目标特征变量包括多个特征变量，该装置还包括：

第六确定模块，用于针对目标用户集中各个用户目标特征变量中的其中一个特征变量进行均值估计、方差估计，并基于均值估计、方差估计结果确定针对其中一个特征变量的概率密度密度函数；

重复执行模块，用于重复执行第六确定模块的功能，得到各个特征变量对应的概率密度函数；

第七确定模块，基于确定的各个特征变量对应的概率密度函数确定目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，第七确定模块，具体用于对确定的各个特征变量对应的概率密度函数进行乘积得到目标概率密度函数。

本申请实施例提供了一种可能的实现方式，具体地，该装置还包括：

判断模块，用于基于目标用户集中各个用户的目标特征变量的分布情况判断是否符合正态分布；

转换模块，用于如果分布情况不符合正态分布，则对目标用户集中各个用户的目标特征变量进行数学转换使其分布情况符合正态分布。

本申请实施例提供了一种可能的实现方式，具体地，该装置还包括：

第八确定模块，确定用户的多个候选特征变量；

第九确定模块，确定两两候选特征变量的相关性；

第十确定模块，基于两两候选特征变量的相关性进行候选特征变量的筛选确定目标特征变量。

本申请实施例提供了一种可能的实现方式，具体地，特征变量如下至少一种数据确定：

用户交易数据、用户信用数据、用户社交数据

本申请实施例提供了一种可能的实现方式，进一步地，该装置还包括：

构建模块，用于基于目标用户集中各个用户的用户数据构建用户关系知识图谱；

第十一确定模块，基于用户关系知识图谱通过社群发现算法确定至少一个社群。

本申请实施例提供了一种可能的实现方式，具体地，用户数据为交易相关数据，构建模块包括：

构建单元，用于以用户作为节点、用户之间的交易关系作为边构建用户关联关系三元组；

第三确定单元，用于基于构建的用户关联关系三元组通过连通子图算法确定用户关系知识图谱。

本申请实施例提供了一种可能的实现方式，具体地，社群发现算法为基于模块度的社区发现算法；

所诉模块度的计算公式为：其中，σin表示社群c内的边的权重之和，σtot表示与社群c内的节点相连的边的权重之和，m表示社群的数量。

本申请实施例提供了一种套利用户识别装置，与现有技术通过“规则+名单”的方式进行套利用户识别相比，本申请通过基于预识别出的套利用户确定目标社群中各个用户的标签；基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。即本申请基于概率密度函数进行社群中套利用户的识别，提升套利团伙发现效率，解决了现有的“套利规则+套利名单”无法应对团伙作案、识别团伙套利的问题。

本申请实施例的套利用户识别装置的有益效果与实施例二所示的套利用户识别方法相似，在此不再赘述。

实施例三

本申请实施例提供了一种电子设备，如图3所示，图3所示的电子设备30包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。进一步地，电子设备30还可以包括收发器303。需要说明的是，实际应用中收发器304不限于一个，该电子设备30的结构并不构成对本申请实施例的限定。其中，处理器301应用于本申请实施例中，用于实现图2所示模块的功能。收发器304包括接收机和发射机。

处理器301可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。

总线302可包括一通路，在上述组件之间传送信息。总线302可以是pci总线或eisa总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器303可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现图2所示实施例提供的装置的功能。

本申请实施例提供了一种电子设备，与现有技术通过“规则+名单”的方式进行套利用户识别相比，本申请通过基于预识别出的套利用户确定目标社群中各个用户的标签；基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。即本申请基于概率密度函数进行社群中套利用户的识别，提升套利团伙发现效率，解决了现有的“套利规则+套利名单”无法应对团伙作案、识别团伙套利的问题。

本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。

实施四

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。

本申请实施例提供了一种计算机可读存储介质，与现有技术通过“规则+名单”的方式进行套利用户识别相比，本申请通过基于预识别出的套利用户确定目标社群中各个用户的标签；基于预定的目标概率密度函数及社群中各个用户的特征变量确定社群中各个用户的概率密度值；基于社群中的套利用户的概率密度值以及社群中的其他用户的概率密度值，确定社群中的其他用户是否为套利用户。即本申请基于概率密度函数进行社群中套利用户的识别，提升套利团伙发现效率，解决了现有的“套利规则+套利名单”无法应对团伙作案、识别团伙套利的问题。

本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。