一种电商直播购物的数据分析方法及系统与流程

【】本发明涉及电商直播，尤其涉及一种电商直播购物的数据分析方法及系统。

背景技术

0、
背景技术：

1、电子商务领域的快速发展已经改变了传统的商品销售和营销的方式。随着短视频和直播平台的兴起，越来越多的厂家和卖家选择借助互联网和社交媒体的力量来推广和销售他们的产品。其中，与直播主播、带货博主合作成为一种常见的方式，这些主播通过在网络直播中向观众展示并推广各种商品，吸引了大量观众的关注和购买。

2、然而，一些不诚信的主播采取虚假手段，如利用团队、购买关注者或采用自动化脚本来增加直播观众和买家的数量，以在直播过程中制造虚假的关注和购买热潮，误导卖家认为有大量的真实购买行为，伪造购买交易，制造虚假的购买记录，从而向厂家和卖家展示虚假的销售数据，以获取更高的佣金或合作费用，而在直播后，虚假观众会发起大规模退货请求，将之前的购买行为撤销，导致卖家不仅损失了销售额，还需要承担退货成本，严重损害了卖家的经历利益，还会损害卖家的声誉和信誉，降低其在电商平台上的竞争力。

技术实现思路

0、
技术实现要素：

1、有鉴于此，本发明实施例提供了一种电商直播购物的数据分析方法及系统。

2、第一方面，本发明实施例提供了电商直播购物的数据分析方法，所述方法包括：

3、接收意愿卖家发送的目标主播验证请求和初始奖金，与预存的黑名单进行比对，若不匹配，则获取其他卖家响应请求而分享目标主播的直播记录数据；

4、根据直播记录数据对目标主播进行潜在风险评估，若评估不存在潜在风险，则对目标主播进行最近预设时间段的舆论监测，若监测到与目标主播相关的负面舆论，则将目标主播赋予潜在风险标签，否则将目标主播赋予潜在安全标签；若评估存在潜在风险，则将目标主播赋予潜在风险标签，并根据预设的智能合约向分享目标主播直播记录数据的卖家支付初始奖金预设比例的奖金；

5、对潜在风险标签的目标主播建立关系图谱，根据关系图谱判断是否存在异常，若判断存在异常，则将目标主播的潜在风险标签更换为危险标签，并将判断结果发送给意愿卖家；

6、建立直播流量真实性监控模型，并为潜在风险标签和危险标签主播分别建立第一判断标准和第二判断标准进行直播监控，若监控到虚假流量，则将目标主播加入黑名单，并向意愿卖家发送警示报告。

7、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：

8、建立与卖家账户绑定并接收初始奖金的奖金池，所述奖金池设置有只读权限，只允许经过身份验证的卖家查看奖金池的余额和交易记录；

9、将目标主播的身份信息与预先存储的黑名单进行比对；

10、若目标主播的身份信息不匹配黑名单中的任何记录，则将初始奖金预存至奖金池，并向其他卖家发起目标主播的直播记录数据的响应请求；

11、若目标主播的身份信息匹配黑名单中的记录，则将初始奖金扣除第一预设比例的系统服务点后，退回意愿卖家的剩余奖金，并发送目标主播的黑名单数据。

12、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述直播记录数据包括观众互动数据、产品销售数据、观众质量数据以及购买者与非购买者之间的互动差异数据；

13、根据直播记录数据对目标主播进行潜在风险评估，具体包括：

14、计算平均潜在风险评估值其中，平均潜在风险评估值的计算公式如下：

15、

16、其中，n表示直播记录数据的数量，ri表示第i条直播记录数据的潜在风险评估值；

17、

18、其中，r表示潜在风险评估值，ia表示产品销售数据的指标，ib表示观众互动记录的指标，ic表示观众质量的指标，id表示购买者与非购买者互动差异的指标，wa、wb、wc和wd分别表示权重；

19、

20、ib＝αb·c+βb·l+γb·s，

21、

22、

23、其中，m*表示观众观看直播购买产品总数量，m0表示观众重复购买数量，q表示产品销售额，z表示退货率，c表示直播期间的评论数量，l表示直播期间的点赞数量，s表示直播期间的分享数量，n表示观众的数量，xi表示第i个观众坐标的经度或纬度，表示观众坐标的经度或纬度的均值，md表示观众互动的中值，m1表示购买者互动次数，m2表示非购买者互动次数，αa、βa、αb、βb、γb、αc和βc分别表示调节因子；

24、比较平均潜在风险评估值与预设风险阈值r0的大小，当平均潜在风险评估值大于预设风险阈值r0时，则认定目标主播存在潜在风险。

25、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对目标主播进行最近预设时间段的舆论监测，若监测到与目标主播相关的负面舆论，则将目标主播赋予潜在风险标签，否则将目标主播赋予潜在安全标签，具体包括：

26、收集目标主播的名称和关键词，并设置监测时间窗口；

27、使用目标主播的名称和关键词在新闻媒体和社交媒体上进行实时搜索，获取监测时间窗口内与目标主播相关的舆论，所述舆论包括新闻文章、社交媒体帖子、评论和讨论；

28、对舆论内容进行情感分析，并分类为正面、负面或者中性三类情感极性，

29、所述情感分析方法如下：将获取的舆论转化为文本数据并进行预处理，将文本拆分成单词或词语的序列，使用预定义的情感词汇表，为文本中的每个词语分配情感得分，正面词语增加得分，负面词语减小得分，然后计算汇总得分以分类文本的情感极性；

30、若舆论被标记为负面情感，且与目标主播直接相关，则将其记录为负面舆论；

31、对负面舆论进行内容分析，确定是否与目标主播的行为、产品或言论相关，若是，则将舆论内容计入风险评估；

32、统计预设时间段内负面舆论的数量，若超过预设数量阈值，判断存在潜在风险；

33、将目标主播赋予潜在风险标签，否则将目标主播赋予潜在安全标签。

34、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述智能合约预设方法如下：

35、部署一个智能合约，使所有卖家参与；

36、生成一个唯一的合同地址，所述地址用于交互；

37、所述智能合约设定执行条件为：若评估不存在潜在风险，则将初始奖金扣除第二预设比例的系统服务点后，退回意愿卖家的剩余奖金；

38、若评估存在潜在风险，则向分享目标主播直播记录数据的卖家支付初始奖金预设比例的奖金，并将初始奖金扣除第三预设比例的系统服务点。

39、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第三预设比例大于第二预设比例，所述第二预设比例大于第一预设比例。

40、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对潜在风险标签的目标主播建立关系图谱，根据关系图谱判断是否存在异常，若判断存在异常，则将目标主播的潜在风险标签更换为危险标签，并将判断结果发送给意愿卖家，具体包括：

41、收集目标主播的粉丝关注数据，获取目标主播与粉丝以及粉丝与粉丝的关注关系；

42、根据所述关注关系，以目标主播作为根节点、粉丝作为子节点按照树形结构进行连接，得到以树形结构表示的关系图谱；

43、利用异常检测算法检测关系图谱是否存在异常，和/或，

44、收集用于训练的主播关系图谱数据，进行打标分类为正常或者异常，对关系图谱进行预处理，将关系图谱转换为邻接矩阵或节点特征矩阵，构建异常判断的卷积神经网络模型，通过标签训练数据对卷积神经网络模型进行训练，评估后利用训练好的卷积神经网络对主播的关系图谱进行深度分析；

45、若判断存在异常，则将目标主播的潜在风险标签更换为危险标签，并将判断结果发送给意愿卖家。

46、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述建立直播流量真实性监控模型，具有包括：

47、收集直播数据，并进行清洗和预处理，处理缺失值和异常值；

48、构建聚集模型的特征变量，计算聚集度g，其中，聚集度g的计算公式如下：

49、

50、a1＝n1·t1，

51、a2＝h2·δp2，

52、

53、其中，a1表示主播吸引力，a2表示产品吸引力，d1表示观众分散度，f1表示每分钟观众交互次数，s1表示每分钟进入的新观众数量，s2表示每分钟产品下单的数量，w1和w2分别表示调节系数；n1表示主播的粉丝数量，t1表示主播累计直播时长，h2表示产品的浏览量、收藏量、购买量的加权综合值，δp2表示产品的优惠价格，ki表示第i个地区观众占总观众的比例，n表示地区的数量；

54、当直播进行到预设时间t1时，对此后第一预设时间段δt2开始第一次直播流量真实性监控，构建第一预设时间段δt2聚集度g增长率对比模型，计算第一对比平均增长率r1，计算第一预设时间段δt2聚集度g的真实平均增长率r2，比较真实平均增长率r2与第一对比平均增长率r1的大小，其中，第一预设时间段δt2聚集度g增长率对比模型为：

55、其中，α1和b1表示设定的增长率曲线参数，t1表示第一预设时间段δt2的时间；

56、在第一预设时间段δt2后，当检测到聚集度g持续下降预设时间段δt3时，对此后第二预设时间段δt4开始第二次直播流量真实性监控，构建第二预设时间段δt4聚集度g减少率对比模型，计算第二对比平均减少率r3，计算第二预设时间段δt2聚集度g的真实平均减少率r4，比较真实平均减少率r4与第二对比平均减少率r3的大小，其中，第二预设时间段δt4聚集度g减少率对比模型为：

57、其中，α2和b2表示设定的减少率曲线参数，t2表示第二预设时间段δt4的时间；

58、当r2〉r1且r4〈r3时，则认定监控的直播流量为虚假流量。

59、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述为潜在风险标签和危险标签主播分别建立第一判断标准和第二判断标准进行直播监控，具体包括：

60、为潜在风险标签主播建立第一判断标准，所述第一判断标准采用第一预设时间段δt2聚集度g增长率对比模型为：第二预设时间段δt4聚集度g减少率对比模型为：

61、为危险标签主播建立第二判断标准，所述第二判断标准采用调整后的第一预设时间段δt2聚集度g增长率对比模型为：第二预设时间段δt4聚集度g减少率对比模型为：

62、设定α1>α1*，b1>b1*，α2<α2*，b2>b2*。

63、第二方面，本发明实施例提供了一种利用所述电商直播购物的数据分析方法的电商直播购物的数据分析系统，所述系统包括：

64、请求管理模块，用于接收意愿卖家发送的目标主播验证请求和初始奖金，与预存的黑名单进行比对，若不匹配，则获取其他卖家响应请求而分享目标主播的直播记录数据；

65、风险评估模块，用于根据直播记录数据对目标主播进行潜在风险评估，若评估不存在潜在风险，则对目标主播进行最近预设时间段的舆论监测，若监测到与目标主播相关的负面舆论，则将目标主播赋予潜在风险标签，否则将目标主播赋予潜在安全标签；若评估存在潜在风险，则将目标主播赋予潜在风险标签，并根据预设的智能合约向分享目标主播直播记录数据的卖家支付初始奖金预设比例的奖金；

66、异常监测模块，用于对潜在风险标签的目标主播建立关系图谱，利用卷积神经网络对主播的关系图谱进行深度分析，以检测是否存在异常，若检测存在异常，则将目标主播的潜在风险标签更换为危险标签，并将检测结果发送给意愿卖家；

67、直播监控模块，用于建立直播流量真实性监控模型，并为潜在风险标签和危险标签主播分别建立第一判断标准和第二判断标准进行直播监控，若监控到虚假流量，则将目标主播加入黑名单，并向意愿卖家发送警示报告。

68、上述技术方案中的一个技术方案具有如下有益效果：

69、本发明实施例的方法中提出了电商直播购物的数据分析方法，在提高直播平台风险防范能力、提高用户体验、增加平台可信度等方面具有显著的技术效果。