一种基于大数据的商品交易订单的处理方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于大数据的商品交易订单的处理方法及系统。

背景技术：

1、大数据分析可以帮助识别交易退款订单的趋势和模式，从而进行更精准的预测。通过分析大规模数据，可以发现潜在的退款模式、异常行为或欺诈行为。大数据处理能力允许实时或近实时地处理交易数据，使得商家能够更快速地响应和处理退款订单，提升用户体验和信任度。基于大数据的系统能够通过机器学习和数据挖掘技术，自动化地处理退款订单，并且针对不同情况制定智能化的决策，提高运营效率。然而，现有的基于大数据的商品交易订单的处理方法由于订单分析过程片面或分析实时性不足，导致用户的风险定位存在偏差。

技术实现思路

1、基于此，有必要提供一种基于大数据的商品交易订单的处理方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于大数据的商品交易订单的处理方法，包括以下步骤：

3、步骤s1：获取退款订单数据；将退款订单数据进行数据可视化，生成退款时空分布图；根据退款时空分布图进行退款规律分析，生成市场退款规律数据；

4、步骤s2：基于退款订单数据进行用户划分，生成退款用户划分数据；基于市场退款规律数据对退款用户划分数据进行用户退款规律分析，生成规律修正数据；基于规律修正数据进行用户风险评估，生成用户风险值数据；

5、步骤s3：对退款用户划分数据进行退款失败数据筛选，生成退款失败数据；基于退款失败数据进行用户信誉评估，生成用户信誉数据；利用用户信誉数据对用户风险值数据进行风险再修正，生成风险再修正数据；

6、步骤s4：获取实时退款申请数据；根据风险再修正数据对实时退款申请数据进行差异化审核处理，生成申请审核结果数据。

7、本发明通过数据可视化，生成退款时空分布图，以揭示退款订单在时间和空间上的分布，理解不同时间段和地区的退款模式。有助于发现退款的高峰期、地域差异等规律。通过对时空分布图的分析，得出的市场退款规律数据有助于识别退款的模式和周期性，对商家采取针对性的策略，例如促进销售、优化服务等。将用户根据其退款行为划分成不同类别，有助于更好地理解不同类型用户的行为模式和特点。通过对退款用户划分数据的分析，生成规律修正数据，可以更精准地预测和识别不同用户类型的退款规律，从而改善商家的决策和风险管理。通过对规律修正数据的评估，生成用户的风险值数据，有助于识别风险用户并进行更有针对性的管理和控制。退款失败数据反映了退款流程中的问题或异常情况，分析这些数据有助于改进退款流程和识别异常行为。通过对退款失败数据进行评估，生成用户的信誉数据，有助于了解用户的信用水平和交易行为，从而为商家提供更精细化的服务和管理策略。利用风险再修正数据对实时退款申请数据进行审核处理，可以生成差异化的审核结果数据。有助于更快速、更精准地处理退款申请，并降低商家的风险。因此，本发明的基于大数据的商品交易订单的处理方法通过分析用户退款规律，并利用市场退款规律数据对其进行修正，生成用户风险值数据，再通过退款失败数据对用户风险值数据进行风险再修正以全面评估用户的退款风险值，从而实现差异化退款审核处理过程，确保退款质量的同时提高退款效率。

8、优选地，步骤s1包括以下步骤：

9、步骤s11：获取退款订单数据；

10、步骤s12：对退款订单数据进行退款时间地点提取，并进行数据三维可视化，生成退款时空分布图；

11、步骤s13：对退款时空分布图进行分维聚类分析，生成退款特征数据，其中包括退款时间特征数据、退款地点特征数据以及时空交互特征数据；

12、步骤s14：基于退款特征数据进行退款规律分析，生成市场退款规律数据。

13、本发明通过退款订单数据以了解用户退款行为，获取这些数据对于了解退款的整体情况至关重要。三维可视化能够直观地展示退款订单的时空分布情况，从而帮助理解退款订单在不同时间和地点的分布模式，识别退款高发地区和时间段，有助于发现退款规律。从退款时空分布图中提取退款时间、地点、以及它们之间的关系数据，有助于深入理解退款订单的特征和关联性。通过分析退款特征数据，聚类分析有助于发现不同退款行为的模式和群体，帮助区分不同退款行为的特征。基于退款特征数据进行分析，生成市场退款规律数据有助于发现退款的周期性、地域性等规律，为商家制定针对性策略提供参考。

14、优选地，步骤s14包括以下步骤：

15、步骤s141：获取购物节时域数据与地域天气数据；

16、步骤s142：利用购物节时域数据对退款时间特征数据进行时间特征修正，生成标准时间特征数据；

17、步骤s143：基于标准时间特征数据进行时域退款规律分析，生成时域退款规律数据；

18、步骤s144：根据退款地点特征数据对地域天气数据进行时间范围天气截取，生成时区天气数据；

19、步骤s145：对时区天气数据进行天气变化分析，生成天气变化幅度数据；

20、步骤s146：利用天气变化幅度数据对退款地点特征数据进行地点特征修正，生成标准地点特征数据；

21、步骤s147：根据标准地点特征数据进行地域退款规律分析，生成地域退款规律数据；

22、步骤s148：基于时空交互特征数据进行时空退款规律评估，生成时空退款规律数据；

23、步骤s149：利用时域退款规律数据与地域退款规律数据对时空退款规律数据进行规律补充修正，生成市场退款规律数据。

24、本发明通过购物节时域数据和地域天气数据为退款订单的时空分析提供了额外的维度和信息来源，有助于对退款规律进行更全面的考察。利用购物节时域数据对退款时间特征进行修正，使时间特征更加准确和标准化。基于标准时间特征数据进行时域退款规律分析，有助于了解不同时间段内退款订单的模式和规律。根据退款地点特征数据截取对应时间范围的天气数据，生成与退款地点相关的天气数据。对时区天气数据进行分析，得出天气变化的幅度数据，有助于理解天气对退款行为的影响程度。利用天气变化幅度数据对退款地点特征数据进行修正，生成更准确和标准的地点特征数据。基于标准地点特征数据进行地域退款规律分析，探索不同地域对退款行为的影响和模式。根据时域地域交互数据，进行时空退款规律评估，了解时空交互对退款行为的影响。利用时域退款规律数据、地域退款规律数据以及时空退款规律数据，对市场退款规律数据进行补充修正，有助于更全面地描述市场退款规律。

25、优选地，步骤s2包括以下步骤：

26、步骤s21：基于退款订单数据进行用户划分，生成退款用户划分数据；

27、步骤s22：对退款用户划分数据进行下单退款时间提取，生成下单退款时间数据；

28、步骤s23：将下单退款时间数据进行数据可视化处理，生成用户交易间隔图；

29、步骤s24：根据用户交易间隔图进行用户退款规律分析，生成用户退款规律数据；基于市场退款规律数据对用户退款规律数据进行规律修正，生成规律修正数据；

30、步骤s25：对退款用户划分数据进行退款申请语义分析，生成用户退款情感数据；利用用户退款情感数据对用户退款规律数据进行规律修正，生成规律再修正数据；

31、步骤s26：利用用户风险值评估公式对规律再修正数据进行用户风险值评估，生成用户风险值数据。

32、本发明通过对退款订单数据的划分，即将不同用户的退款订单划分开，进一步分析单个用户的退款行为特征。提取用户下单和退款的时间数据，有助于了解用户在不同订单之间的时间间隔情况。用户交易间隔图能够直观地展示用户下单和退款的时间间隔分布情况，有助于发现用户的交易模式和行为习惯。通过用户交易间隔图进行退款规律分析，能够了解用户的退款习惯和周期性，帮助预测和识别不同用户的退款行为规律。结合市场退款规律数据对用户退款规律数据进行修正，使其更符合整体市场趋势，提高预测准确性。通过语义分析获取用户退款申请中的情感信息，有助于了解用户的情感倾向和态度。将用户退款情感数据应用于用户退款规律数据，修正用户的退款规律，更全面地了解用户的行为模式和偏好。利用用户风险值评估公式对规律再修正数据进行风险评估，生成用户的风险值数据，帮助识别和管理高风险用户。

33、优选地，步骤s24包括以下步骤：

34、步骤s241：根据用户交易间隔图进行交易退款频率分析，生成交易退款频率数据；

35、步骤s242：根据用户交易间隔图进行退款时段分析，生成退款时段分布数据；

36、步骤s243：基于交易退款频率数据与退款时段分布数据进行用户退款规律分析，生成用户退款规律数据；

37、步骤s244：对交易退款频率数据与退款时段分布数据进行异常数据筛选，生成异常退款数据，其中包括异常退款频率数据与异常退款时段数据；

38、步骤s245：利用市场退款规律数据对异常退款数据进行规律影响数据筛除，生成异常退款修正数据；

39、步骤s246：根据异常退款修正数据进行关联商品信息获取，生成关联商品信息数据；

40、步骤s247：基于关联商品信息数据进行异常原因分析，生成异常退款原因数据；

41、步骤s248：利用异常退款原因数据对用户退款规律数据进行补充修正，生成规律修正数据。

42、本发明通过分析交易间隔图，得出用户的交易退款频率，从而了解用户退款的常态频率。通过交易间隔图，发现用户退款在不同时间段的分布情况，有助于了解用户退款偏好的时间特征。结合交易退款频率和退款时段分布数据，分析用户的退款规律，帮助识别不同用户群体的退款习惯和周期性。通过分析交易退款频率和退款时段分布数据，筛选出异常退款数据，即不符合常态的退款频率和时段。将异常退款数据与市场退款规律数据进行对比，排除市场影响因素，生成更加精确的异常退款修正数据。根据异常退款修正数据，获取关联的商品信息，了解异常退款背后的商品相关情况。基于关联商品信息，分析异常退款的可能原因，例如商品质量、描述不符等，从而理解退款发生的具体原因。利用异常退款原因数据对用户退款规律数据进行修正，更全面地了解用户退款行为的规律和背后的原因。

43、优选地，步骤s26中的用户风险值评估公式如下所示：

44、

45、式中，r为用户退款风险值，t0为评估的起始时间，t1为评估的终止时间，af为退款频率的振幅，ωf为退款频率的频率，t为时间变量，为退款频率的相位偏移，σd为退款时段分布的标准差，e为自然对数的底数，μd为退款时段分布的均值，ar为异常退款金额的变化幅度，λr为异常退款金额的变化率，st为时间t时的退款成功率，a为用户退款风险值的偏差修正值。

46、本发明构建了一种用户风险值评估公式，用于对规律再修正数据进行用户风险值评估，生成用户风险值数据。该公式充分考虑了评估的起始时间t0，评估的终止时间t1，退款频率的振幅af，退款频率的频率ωf，时间变量t，退款频率的相位偏移退款时段分布的标准差σd，自然对数的底数e，退款时段分布的均值μd，异常退款金额的变化幅度ar，异常退款金额的变化率λr，时间t时的退款成功率st，用户退款风险值的偏差修正值a以及变量间的相互作用关系，构成以下函数关系式：

47、

48、通过为退款频率的正弦函数，代表了用户退款行为的周期性变化。通过正弦函数描述退款频率的周期性，可以揭示用户退款行为的周期性规律。例如振幅表示退款次数，频率表示下单退款时间间隔的大小，相位偏移表示波形的起始位置。为退款时间的高斯分布函数。标准差和均值影响分布的宽度和中心位置。这一部分表示了用户退款行为在时间上的分布情况，即退款时间的集中程度和分布范围，通过此部分可以了解用户退款行为在不同时间的集中或分散情况。为异常退款金额的指数变化函数，代表了异常退款金额与正常交易金额相比较的变化幅度和变化率。幅度和变化率影响退款金额的变化速率和变化大小。st表示了用户在时间t时退款成功的概率。成功率的变化反映了在不同时间段内退款成功的情况。除以这一参数以量化风险值，st越大则用户退款风险值r越小，反正亦然。积分项的引入考虑了用户退款风险值的动态变化情况。通过这一方式，可以基于规律再修正数据快速评估出对应用户的退款风险值，提高对大量用户进行风险值评估的效率，有效度量单个用户的风险值，为差异化服务提供基础。利用用户退款风险值的偏差修正值a对函数关系式进行修正，减少了异常数据与误差数据带来的误差影响，从而更准确地生成规律再修正的用户退款风险值r，提高了对规律再修正数据进行用户风险值评估的准确性和可靠性。同时，该公式中调整值可以根据实际情况进行调整，例如通过分析市场变化情况、历史数据偏离值等方法确定调整值，以应用于不同用户的规律再修正数据计算其用户退款风险值，提高了算法的灵活性与适用性。

49、优选地，步骤s3包括以下步骤：

50、步骤s31：对退款用户划分数据进行退款失败数据筛选，生成退款失败数据；

51、步骤s32：基于下单退款时间数据对退款失败数据进行未超时数据筛选，生成未超时失败数据；

52、步骤s33：对未超时失败数据进行商家反馈主题提取，生成商家反馈数据；

53、步骤s34：基于商家反馈数据进行反馈主题识别，生成商家反馈主题数据；

54、步骤s35：根据商家反馈主题数据进行相似主题聚类，生成反馈主题划分数据；

55、步骤s36：基于反馈主题划分数据进行词向量嵌入，生成反馈向量数据；

56、步骤s37：利用反馈信誉评估公式对反馈向量数据进行用户信誉评估，生成用户信誉数据；

57、步骤s38：根据用户信誉数据对用户风险值数据进行风险再修正，生成风险再修正数据。

58、本发明通过识别和筛选出退款过程中出现的失败情况，帮助识别哪些退款没有成功完成。将识别未超时的失败退款数据。有助于排除由于超时导致的失败，从而更精确地分析失败的原因。从失败的退款中提取商家的反馈信息，提供商家对于失败退款的具体原因和描述。通过对商家反馈信息进行分析和处理，识别出不同反馈的主题。有助于理解不同失败情况的主要原因。将具有相似主题的反馈主题进行聚类，以更好地理解和分类商家的反馈。将反馈留言信息转化为词向量，有助于计算和分析留言中的语义和内容。利用反馈信誉评估公式对反馈向量数据进行分析，评估用户的信誉情况。根据用户信誉数据对用户的风险值进行修正，更精确地评估用户的风险。

59、优选地，步骤s37中的反馈信誉评估公式如下所示：

60、

61、式中，c为用户信誉值，n为反馈主题总数量，i为反馈主题的索引值，bi为反馈主题权重参数，li为反馈主题i的总留言数量，j为主题留言的索引值，lij为反馈主题i的第j条留言的积极词量，dij为反馈主题i的第j条留言的消极词量，zij为反馈主题i的第j条留言的总情感词量，pij为反馈主题i的第j条留言的中性词量，为用户信誉值的偏差修正值。

62、本发明构建了一种反馈信誉评估公式，用于对反馈向量数据进行用户信誉评估，生成用户信誉数据。该公式充分考虑了反馈主题总数量n，反馈主题的索引值i，反馈主题权重参数bi，反馈主题i的总留言数量li，主题留言的索引值j，反馈主题i的第j条留言的积极词量lij，反馈主题i的第j条留言的消极词量dij，反馈主题i的第j条留言的总情感词量zij，反馈主题i的第j条留言的中性词量pij，用户信誉值的偏差修正值以及变量间的相互作用关系，构成以下函数关系式：

63、

64、通过不同主题的权重参数bi用于区分不同主题对用户信誉的重要性。它们可以根据主题的重要性或其他因素进行分配，影响最终的信誉评估结果。调整权重参数，可以提高或降低不同主题对用户信誉值的影响程度，使得评估更贴近实际情况。每个主题的总留言数量li表示了针对某一主题的留言的数量多少，影响了对该反馈主题的整体评估。大量的留言数量意味着该主题的反馈更为广泛，从而更能准确进行用户的信誉评估。lij、dij、zij、pij分别代表了积极、消极、总情感和中性词的数量。这些数量量化了不同情感在留言中的出现频率，影响对于特定主题情感的评估。不同情感词量的变化影响着对特定主题情感的评估，多数积极词可能会提高信誉值，而多数消极词可能会降低信誉值。计算了积极词量和消极词量相对于总情感词量的比例。衡量了留言中情感的偏向性，即积极或消极情感相对于总情感的占比。当积极词占比较高时，其值会增加用户的信誉值，表明积极反馈较多；反之，如果消极词占比较高，会降低用户的信誉值，表明负面反馈较多。衡量留言中中性情感词的影响，较高的中性词占比会对信誉评估产生一定影响，但通常相比积极和消极情感，中性情感的影响较小，因此通过总情感词量加一以降低中性情感对结果的影响程度。通过这一公式，可以全面评估用户的信誉值，使得评估结果更为准确和可靠，为用户风险修正提供更准确的依据。利用用户信誉值的偏差修正值对函数关系式进行修正，例如通过考虑商家信誉因素、历史信誉评估偏差等数据，减少了异常数据与误差数据带来的误差影响，从而更准确地生成用户信誉值c，提高了对反馈向量数据进行用户信誉评估的准确性和可靠性。同时，该公式中的权重以及调整值可以根据实际情况进行调整，应用于不同未超时失败数据的反馈向量数据计算其对应的用户信誉值，提高了算法的灵活性与适用性。

65、优选地，步骤s4包括以下步骤：

66、步骤s41：获取实时退款申请数据；

67、步骤s42：利用预设的风险阈值将风险再修正数据进行用户划分，当风险再修正数据大于或等于预设的风险阈值，则生成高风险用户数据；当风险再修正数据大于或等于预设的风险阈值，则生成低风险用户数据；

68、步骤s43：对实时退款申请数据进行交易用户风险识别，当识别为高风险用户数据，则进行人工审核处理，生成申请审核结果数据；

69、步骤s44：当识别为低风险用户数据，则进行平台自动审核处理，生成申请审核结果数据。

70、本发明通过获取最新的退款申请数据，确保对当前用户行为的实时了解。将用户根据风险再修正数据分为高风险和低风险，实现对用户风险的细致划分。根据预设的风险阈值，区分出存在较高风险的用户群体，有助于更精确地对可能出现问题的用户进行识别和处理。对被识别为高风险用户的申请进行人工审核，确保对高风险用户的申请进行深入的检查和评估。通过人工审核可以降低系统可能的误判，确保高风险用户的申请得到适当的处理，降低潜在风险。对被识别为低风险用户的申请进行自动审核处理，提高审核效率和速度。自动审核能够节省人力资源和时间，快速处理低风险用户的申请，让审核人员有更多精力处理高风险的申请。

71、本发明还提供一种基于大数据的商品交易订单的处理系统，用于执行上述基于大数据的商品交易订单的处理方法，包括：

72、市场退款规律模块，用于获取退款订单数据；将退款订单数据进行数据可视化，生成退款时空分布图；根据退款时空分布图进行退款规律分析，生成市场退款规律数据；

73、用户风险评估模块，用于基于退款订单数据进行用户划分，生成退款用户划分数据；基于市场退款规律数据对退款用户划分数据进行用户退款规律分析，生成规律修正数据；基于规律修正数据进行用户风险评估，生成用户风险值数据；

74、用户风险修正模块，用于对退款用户划分数据进行退款失败数据筛选，生成退款失败数据；基于退款失败数据进行用户信誉评估，生成用户信誉数据；利用用户信誉数据对用户风险值数据进行风险再修正，生成风险再修正数据。

75、差异化审核模块，用于获取实时退款申请数据；根据风险再修正数据对实时退款申请数据进行差异化审核处理，生成申请审核结果数据。

76、本技术的有益效果在于，本发明通过退款时空分布图，可以分析退款订单的地理和时间分布情况，进而发现用户的退款习惯和偏好。通过退款规律分析，可以发现退款在不同时间和地点的模式，例如节假日、特定地区的退款高峰期等，为预测和规划提供依据。还可以预测未来退款趋势，制定相应策略，例如增加客服人员、调整退款政策等，以应对高峰期或特殊情况。通过用户划分和退款规律分析，能更精准地了解不同用户群体的退款行为模式，为个性化服务和风险评估提供基础数据。规律修正数据能够更准确地校正用户退款行为的规律性，进而生成更精准的用户风险值数据，规律修正数据提供了更准确的用户风险值，能够更早地发现可能出现问题的用户并进行风险预警。通过信誉评估和风险再修正数据，可以更全面地了解用户的信誉状况，并通过信誉数据对风险值数据进行修正，提高用户风险评估的全面性和准确性。信誉评估和风险再修正数据提供了更全面的信息，有助于提升风险识别的准确性，减少误判和漏判。基于风险再修正数据进行差异化审核，对不同风险水平的用户进行不同程度的审核，提高审核效率和精确度。实时处理实时退款申请数据能够提升审核决策的效率，快速响应风险事件，减少损失并维护平台的健康发展。因此，本发明的基于大数据的商品交易订单的处理方法通过分析用户退款规律，并利用市场退款规律数据对其进行修正，生成用户风险值数据，再通过退款失败数据对用户风险值数据进行风险再修正以全面评估用户的退款风险值，从而实现差异化退款审核处理过程，确保退款质量的同时提高退款效率。