CN110033277A - 风险交易识别装置、方法及介质 - Google Patents

Abstract

本发明提供一种用于风险交易的识别方法与装置，该方法包括选取多个交易订单；建立原始网络关系图，其中该原始网络关系图包含代表所述业务服务商的第一多个服务商节点以及代表所述用户的第二多个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单；设定用于所述服务商节点的第一k值以及用于所述用户节点的第二k值；利用所述第一k值以及第二k值分别对所述原始网络关系图中的服务商节点与所述用户节点迭代应用K‑core算法以产生第一网络关系图；标识所述第一网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。利用本发明的方案可以避免误判或漏掉风险交易。

Description

风险交易识别装置、方法及介质

技术领域

本发明涉及风险控制，尤其是涉嫌欺诈的风险交易的识别。

背景技术

现有技术中，通常某些第三方交易平台为了向用户推广产品的目的，而对平台上的在销产品进行促销补贴，并以此促进和粘住广大用户群体对平台的使用，这里的‘产品’即可以生产的有形产品，也可以业务服务商提供的有价服务。以电影行业为例，观影购票目前是一个竞争激烈的市场，作为第三方交易平台的淘票票、其他豆瓣电影、猫眼电影等都是竞争者。在如此激烈的竞争环境中，第三方交易平台钱补贴获取用户忠诚度几乎是不可避免的。为了打开市场，第三方平台推出的购票类App通过补贴电影票价的方式获取客源，而这一行为容易被影院(即业务服务商或产品供应商)与部分观众(即所谓的‘黄牛’)联合套取补贴利益，非但没有起到推广App、获取稳定客源的作用，还损失了大量营销资金。

现有技术中，对于第三方购票平台的补贴，为解决黄牛票贩与影院套利营销，通常采用黑名单的方式，包括黑用户、黑身份、黑手机、黑设备、黑银行卡等，在实际使用中命中任何一个都认定是做黄牛购买行为。但黑名单的准确性并不是百分之一百可靠的，如一个手机号可能被运营商回收，那么一个好用户在用这个新手机号购买电影票时就无法享受补贴，影响了平台口碑，造成对平台的不信任。这样的方案的另一个问题是识别不全。电影院只要和一部分固定的购票者“合作”，就能套取利益，而这些“合作者”不可能被黑名单完全覆盖。只要电影院找到一批不在黑名单中的用户，就能大量套取资源而不被识破，造成资源的浪费。

发明内容

本发明提供一种识别异常或风险交易的方法，其是通过标识可能存在风险交易的双方主体的方式来确定风险交易的。本发明不限于对电影购票这是交易行为的欺诈防范，而且适用于其它由交易双方共同实施风险交易的行业，。

按照本发明的一个方面，提供一种用于风险交易的识别方法，包括选取多个交易订单，其中每个订单代表第一多个业务服务商之一与第二多个用户之一之间的交易；建立原始网络关系图，其中该图包含代表所述业务服务商的第一多个服务商节点以及代表所述用户的第二多个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单；设定用于服务商节点的第一k值以及用于用户节点的第二k值；利用所述第一k值以及第二k值分别对所述网络关系图中的服务商节点与所述用户节点迭代应用K-core算法以产生第一网络关系图；标识所述第一网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

在本发明的一个实施例中，所述业务服务商是电影院，所述用户电影购票者。

按照本发明的另一个方面，提供一种风险交易的识别装置，包括：获取模块，配置为选取多个交易订单，其中每个订单代表第一多个业务服务商之一与第二多个用户之一之间的交易；构图模块，配置为建立原始网络关系图，其中该图包含代表所述业务服务商的第一多个服务商节点以及代表所述用户的第二多个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单；计算模块，配置为：设定用于服务商节点的第一k值以及用于用户节点的第二k值；利用所述第一k值以及第二k值分别对所述网络关系图中的服务商节点与所述用户节点迭代应用K-core算法以产生第一网络关系图；以及标识模块，配置为标识所述第一网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

根据本发明的另一个方面，提供一种具有指令的机器可读介质，所述指令在机器执行时，使所述机器执行本发明的方法。

根据本发明的另一个方面，提供一种风险交易的识别装置，包括：存储器，其上存储有指令；处理器，所述处理器可配置为执行所述指令以实现根据本发明的方法。

附图说明

图1示出了根据本发明一个实施例的风险交易识别装置的方框图；

图2示出了根据本发明一个实施例的风险交易识别方法的流程图；

图3示出根据一个实施例的创建网络关系图的示意图；

图4示出根据一个实施例的所创建的网络关系图的示意图；

图5示出根据一个实施例的处理网络关系图的方法流程图；

图6示出根据一个实施例的处理后的网络关系图的示意图；

图7示出根据一个实施例的处理网络关系图的方法流程图；

图8是按照另一个实施例的识别装置的示意图。

具体实施方式

下面结合附图对本发明实施例提供的方法和装置进行详细说明。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整的传达给本领域的技术人员。

这里需要指出的是，本发明所提示的‘风险交易’是指实施交易的双方即业务服务商与某些用户之间可能存在不合规的交易，例如像某些电影院与黄牛购票者的套利营销这样的欺诈交易，而这些交易通过已经发生的交易订单可进行预测。

如图1所示，其示出根据本发明的风险交易识别装置100的框图。如图所示，识别装置100包括获取模块101、构图模块102、计算模块103以及标识模块104。获取模块101可以从多个业务服务商与多个用户之间发生的大量交易订单中选取待识别的多个交易订单，其中每个订单代表一个业务服务商与一个用户之间的交易，这里假定所选择的订单发生在M个业务服务商与N个用户之间。在本发明中，获取模块101选取待识别的交易订单的标准可以根据需要自行设定。这里需要指出的是，同一业务服务商与同一用户之间可能发生有多个订单，这里可以只选择二者之间的一个订单即可。

构图模块102利用获取模块101选取的待识别的多个交易订单建立网络关系图，以下以Graph₀表示。所建立的网络关系图Graph₀包含有代表所述业务服务商的M个服务商节点以及代表所述用户的N个用户节点，并且服务商节点与用户节点之间的连线代表二者之间发生的一个订单。

计算模块103利用K-core算法对构图模块102建立的网络关系图Graph₀进行处理。为此，计算模块103为服务商节点设定k值K₁，并且为为用户节点设定k值K₂，然后，基于所述K₁和K₂为作为判断基准，分别对M个服务商节点与N个用户节点迭代应用K-core算法以更新所述网络关系图。具体地，计算模块103利用K-core算法分别计算M个服务商节点中的每个服务商节点的度以及N个用户节点中的每个用户节点的度，通过从网络关系图中删除其度值小于K₁的服务商节点及与其相连的全部连线，以及删除其度值小于K₂的用户节点及与其相连的全部连线，从而产生更新的网络关系图，以下以Graph₁表示。

标识模块104根据更新的网络关系图，确认所更新的网络关系图中仍存在连线的所述服务商节点与用户节点，并将所确认的服务商节点与用户节点所对应的业务服务商与用户之间的订单标识为风险交易。需要指出的是，这里所标识的交易并不仅限于选取模块101选择的订单，而是包含了在所确认的业务服务商与用户之间发生的全部的订单。

这里的K₁和K₂的设定既可以根据经验设定，也可以通过设置初始值并不断调整K₁和K₂值的方式来找到合适的k值，其中对K₁和K₂的调整可基于标识模块104所标识的各节点的合理性来进行。在一个实施例中，可利用经过调整的K₁和K₂值重新对对构图模块102初始建立的原始网络关系图Graph₀应用 k-core算法；另在一个实施例中，可利用经过调整的K₁和K₂值对更新过的网络关系图Graph₁应用k-core算法，从而不断地更新网络关系图。

图2示出了根据本发明的由风险交易标识装置实施的方法流程图。如图所示，在步骤201，从多个业务服务商与多个用户之间发生的大量交易订单中选取待识别的多个交易订单，如前所述，在同一用户与同一服务商之间可仅选择一个订单。通常，该选择标准的目的是尽可能删选不必要的订单，例如明显不存在风险交易或风险交易可能性极低的订单，从而使得后续的识别装置100运行在小范围的订单中进行。

在步骤202，建立网络关系图，其中该图包含代表所述业务服务商的M个服务商节点以及代表所述用户的N个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单。

在步骤203，设定用于服务商节点的k值K₁以及用于用户节点的k值K ₂。在步骤204，利用所述K₁以及K₂分别对M个服务商节点与N个用户节点迭代应用K-core算法。例如针对M个服务商节点中的第i个节点，计算其度并判断是否小于K₁，其中如果小于K₁，则删除第i个服务商节点及与其相连的全部连线；同时针对N个用户节点中的任一个用户节点例如第j个节点，计算其度并判断是否小于K₂，其中如果小于K₂，则删除第j个用户节点及与其相连的全部连线。经过K-core算法处理后得到更新的网络关系图Graph₁。

在步骤205，确认所更新的网络关系图中仍存在连线的所述服务商节点与用户节点，并将其所对应的业务服务商与用户之间的交易标识为风险交易,也由此可标识出可能实施风险交易的业务服务商与用户，显然二者之间的全部订单均为风险交易。

以下结合电影购票这一业务来说明利用本发明识别可能发生在电影院与黄牛之间的风险交易，即属于套利营销的欺诈交易。由于电影院这种行为并不是“散客”性质的，通常与一批固定购票者即黄牛协同操作。由于第三方平台的补贴力度通常很大，例如100元的电影票只需以10元甚至更低的价格购得，其中电影院和黄牛分赃的利益空间很大，第三方平台损失惨重。在本例中业务服务商为电影院，用户就是电影购票者，显然黄牛也属于购票者的一部分。

识别装置100通过第三方交易平台例如淘票网获取用户在该平台上发生的大量购票订单，如图3左半部分所示，每个订单的信息包括电影院名称、用户ID、放映时间以及电影名称；显然订单的信息还包括订单价格等(图中未示出)。不难理解，这些订单涉及了不同的影院及不同的用户，甚至也可能是同一影响与同一用户之间的不同时间的多场次电影。

选择模块101按照一定的标准从所获取的大量电影票订单中粗略选择待识别的订单(对应步骤201)。如前所述，在购票套利营销行为中，只有在第三方交易平台投入大比例的营销资金时对影院和购票者才有利益空间进行套利，而第三方平台只给少量补贴的订单基本可以认为没有风险。因此，作为一个选择标准示例，选择模块101基于每个订单的原价(即用户实际支付票价)及对应电影的原价(即影院放映每场电影的原价)从大量购票订单中只选取补贴金额超过订单原价50％的订单，例如上例中的第三方交易平台补贴90元票价的订单。作为一个示例中，在所选取的订单中也可以将发生在同一影院与购票者之间的订单排除。

构图模块102基于所选取的订单建立购票网络关系图Graph₀。具体地，针对选定的每一个订单，在建立购票网络关系图Graph₀时只参考每张订单上的电影院和购票者两个实体，并利用这二个实体信息进行网络构图(对应步骤202)。具体地，构图模块102将电影院和购票者分别实例化为网络上的节点，即影院节点与观众节点，其中每个电影院和每个购票者都是一个独立的节点且具有独立的身份标识例如手机号等。如图3所示，对于第一个购票订单，构图模块102实例化出AA影院节点与观众节点123****9876，并基于该订单，在AA影院节点与观众节点123****9876之间以连线进行连接。类似地对于图中第二个购票订单，由于是发生在同一影院AA的订单，因此构图模块102仅实例化出观众节点 123****9875，同时基于该订单，在AA影院节点与观众节点123****9875之间以连线进行连接。以此方式，构图模块102处理所选定的订单中的其它订单，从而建立网络关系图，例如其包含了M个影院节点以及N个观众节点，并且基于每个订单，在订单所涉及的影院节点与观众节点之间以连线来连接。图4示出以此方式构造的网络关系图的一个示意性示图，其中实心圆代表了影院节点，而空心圆则代表了观众节点，这里仅示意性地以5个影院节点与10个观众节点为例。

计算模块103随后利用k-core算法对所构造的电影院与购票者之间的网络关系图Graph₀进行处理(对应于步骤203)。在本发明的实施例中，计算模块 103设定二个K值，即用于影院节点的k值K₁以及用于观众节点的k值K₂。此处设定的K1含义是指对期望实现套利交易的影院与黄牛来说，影院每场所需要的黄牛购票者数量，K2表示的是每个黄牛同时服务于的影院数量。由于这种黑产业务的性质，这两者通常都具有一定规模才能盈利。这里K₁以及K₂的值可以根据经验来设置。然后，计算模块103利用所设定的K₁以及K₂分别对网络关系图Graph₀中的影院节点与观众节点迭代应用K-core算法。计算模块103计算每一个影院节点的度，确定其度是否小于K₁，其中如果小于K₁，则删除该影院节点及与观众节点相连的全部连线。此外，计算模块103计算每一个观众节点的度，确定其度是否小于K₂，其中如果小于K₂，则删除该观众节点及与与影院节点相连的全部连线。通过不断删除度小于K1的影院节点和度小于K2的观众节点，直到不能删除更多的点位置，从而生成更新的网络关系图Graph₁。

由此，标识模块104可基于网络关系图Graph₁确定Graph₁中剩余的影院节点与观众节点为可能存在风险交易的电影院与黄牛，二者之间的购票订单为风险交易。

图5示出了由计算模块103所执行的K-core算法的一个示例性说明，以下结合图4建立的网络关系图来说明。如图5所示，在步骤501，计算模块设定 K-core算法使用的影院节点的k值K₁与观众节点的k值K₂。然后在步骤 502，计算模块获取网络关系图Graph₀中关于影院节点的关系数据，并选择网络关系图Graph₀中的一个影院节点，例如影院节点然后在步骤503，计算模块103计算影院节点的度，即节点与网络关系图Graph₀中其它观众节点相连的边线的数目。在步骤504，判断影院节点的度是否小于K₁。当影院节点的度小于K₁时，前进到步骤505，计算模块103删除影院节点及其与观众节点③⑤的连线。然后前进到步骤505，判断网络关系图Graph₀中是否还有未处理的其它影院节点，如果还有未处理的影院节点则回到步骤502，继续选择下一个影院节点，例如影院节点然后重复执行步骤503-506，直至处理完全部的影院节点。

在上述步骤501计算模块设定了影院节点的K₁与观众节点K₂之后，还可以同时对观众节点执行k-core算法。与影院节点的处理类似，在步骤502'，计算模块获取网络关系图Graph₀关于观众节点的关系数据，并选择网络关系图 Graph₀中的一个观众节点，例如观众节点①。然后在步骤503'，计算模块103 计算节点①的度。在步骤504'，判断影院节点①的度是否小于K₂。当节点①的度小于K₂时，前进到步骤505'，计算模块103删除观众节点①及其与影院节点的连线。然后前进到步骤506'，判断网络关系图Graph₀中是否还有未处理的其它观众节点，如果还有未处理的观众节点则回到步骤502'，继续选择下一个观众节点，例如观众节点②，然后重复执行步骤503'-506'，直至处理完全部的观众节点。

图6示出了利用K1＝3以及K2＝2来处理图4所示网络关系图Graph₀得到的更新图Graph₁。

如图6所示，在处理后的关系图Graph₁中，仅有影院节点的度大于 K1(＝3)，因此保留在关系图Graph₁。同时仅有观众节点③⑤⑦⑨的度大于 K2值，保留在关系图Graph₁。由此可见，经过K-core算法处理后得到的关系图Graph₁指示了一个由电影院与观众③⑤⑦⑨构成的社群，即图6中虚线框所示，其中社群内的所有观众购票者都从社群中的K2或以上的电影院购买优惠票，同时社群内的所有影院都向社群中K1或以上个购票者卖出优惠票，这里虚线框内的社群构成了存在风险交易的实施主体。

根据该关系图Graph₁所示的社群，标识模块104可以确定虚线框外的节点例如①②等(图中未全部示出)所代表的观众是正常观众，而影院节点等是正常电影院。同时标识模块104可以确认观众节点③⑤⑦⑨所对应的购票者可能是黄牛，其与影院节点所对应的电影院之间可能存在套取第三方平台的营销资源的交易，即影院节点所对应的电影院与观众节点③⑦指示的购票者之间的订单属于风险交易，影院节点所对应的电影院与观众节点③⑤⑨所指示的购票者之间的订单属于风险交易，影院节点所对应的电影院与观众节点⑤⑦⑨所指示的购票者之间的订单属于风险交易。由此，识别装置100可以输出标识模块104的标识结果，而第三主平台可以根据该标识结果而执行相应的控制，从而避免损失。例如对于标识影院节点所对应的电影院与观众③⑦之间的订单属于风险交易的结果，第三方交易平台可停止对电影院出售给购票者③⑦的订单交易进行补贴，取消其优惠资格等。

这里需要说明的是，由于这种套利营销的性质，要求了影院与黄牛这两者通常都具有一定规模才能盈利。因此，在实施本发明时，对于k-core算法所采用的影院节点的k值与观众节点的k值即K₁与K₂，可以选择从较小的值开始尝试利用k-core算法处理所建立的网络关系图，例如建议K1选择每场电影坐席数量的1/10，K2选择5，然后对每次尝试处理得到的社群结果进行评估。当评估结果不满意或不合理时，可逐渐增加K₁与K₂的值，直到产生合理的社群发现结果。在本发明的另一个实施例中，对于k-core算法所采用的影院节点的k值与观众节点的k值K₁与K₂，也可以选择从较大的值开始尝试，然后对每次尝试处理得到的社群结果进行评估。当评估结果不满意或不合理时，可逐渐减小K₁与 K₂的值，直到产生合理的社群发现结果。至于评估社群是否合理，则可以例如通过评估社群中所涉及的电影院范围、购票者数量来进行，也可以通过考察二者之间发生的退票订单数量来评估，这些属于本领域常识，在此不再赘述。

在利用本发明确定出欺诈、弊识等交易行为后，可记录下所标识的购票者，例如其手机号等终端设备标识，并通过黑设备、黑手机等黑名单方式进行防控，即在事后将发生过作弊行为的设备、手机号记录在案，录入黑名单，并在下一次购票时进行防控。

在图5所示的利用K-core算法处理Graph₀的流程中，是对对影院节点与观众节点同时执行k-core算法。按照本发明的另一实施例，也可以在处理完所有影院节点的基础上，再处理观众节点。例如，首先，计算模块103针对网络关系图Graph₀中M个影院节点中的每一个节点，确定其度是否小于k值K₁，如果小于K₁，则删除该影院节点及与其相连的全部连线，以形成初级网络关系图。随后基于该初级网络关系图数据，计算模块再针对N个观众节点中的每个节点，确定其在初级网络关系图中的度是否小于k值K₂，其中如果小于第二k 值K₂，则删除该观众节点及与其相连的全部连线，从而生成所述更新的网络关系图Graph₁。显然，也可以首先对网络关系图中的观众节点实施k-Core算法，然后再对影院节点处理。借助该方法，可以有效地减少计算量。

在本发明的另一实施例中，还可以任选Graph₀中的一个节点，不管是影院节点还是观众节点，对其进行k-core算法处理，直至处理完Graph₀中的全部影院节点和观众节点。图7示出了按照该实施例的处理流程图。

如图所示，在步骤701，计算模块设定影院节点的K₁与观众节点的K₂。然后在步骤702，计算模块接收网络关系图Graph₀中由M个影院节点与N个观众节点构成的节点集合数据，并选取集合中的一个节点作为当前节点，然后在步骤703，计算模块103计算当前选取的节点的度。在步骤704，判断该当前选取节点的类型，即判断该节点是影院节点还是观众节点。如果确定当前节点是影院节点，则进程前面到步骤705。在步骤705，按照影院节点的k值来处理当前选取的节点，包括判断该当前的影院节点的度是否小于K₁，其中当影院节点的度小于K₁时，计算模块103删除当前选取的影院节点及其与观众节点的连线。然后前进到步骤707，在此更新关系图Graph₀，由于删除了当前影院节点及其连线被删除，因此会影响关系图Graph₀中的相关联的其它观众节点的连线即度。

如果在步骤704，判断该当前选取节点的类型是观众节点，则进程前面到步骤706。在步骤706，按照观众节点的k值K₂来处理当前选取的节点，包括判断该当前的观众节点的度是否小于K₂，其中当观众节点的度小于K₂时，计算模块103删除当前选取的观众节点及其与影院节点的连线。然后前进到步骤 707，在此更新关系图Graph₀，由于删除了当前观众节点及其连线，因此会影响关系图Graph₀中的相关联的其它影院节点的连线即度。

随后在步骤708，判断网络关系图Graph₀中是否还有未处理的其它任何节点(包括影院节点或观众节点)，如果还有未处理的影院节点则回到步骤 702，继续选择下一个节点，然后重复执行步骤703-708，直至处理完全部的集合中的全部节点。

虽然在本实施例中是以电影院-黄牛之间的套利交易为例描述了本发明的优选实施例，但显然本发明不限于此，而是可以适用于其它风险交易的鉴别。此外，图1中的各模块可以包括处理器、电子设备、硬件设备、电子部件、逻辑电路、存储器、软件代码、固件代码等，或者它们的任意组合。技术人员还将认识到的是，结合本文公开内容描述的各种说明性的逻辑方框、模块和方法步骤可以实现为电子硬件、计算机软件或二者的组合。以软件实现为例，作为一个逻辑意义上的识别装置，是通过处理器将非易失性存储器中对应的计算机程序指令读取内存中运行形成的。从硬件层面而言，如图8所示，在一种实现方式中，根据本发明的识别装置可以由一个或多个计算机实现，除了图8所示的处理器、内存、网络接口以及非易失性存储器之外，实施例中实现鉴别装置的计算机通常根据其实际功能，还可以包括其它硬件，对此不再赘述。

本发明另一实施例提供的机器可读介质上存储有机器可读指令，该机器可读指令在被计算机执行时，使计算机执行本文公开的前述的任一种方法。具体地，可以提供配有机器可读介质的系统或者装置，在该机器可读介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统的机器读出并执行存储在该机器可读介质中的机器可读指令。在这种情况下，从机器可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的机器可读介质构成了本发明的一部分。机器可读介质的实施例包括软盘、硬盘、磁光盘、光盘、磁带、非易失性存储卡和 ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

需要说明的是，上述各流程和识别装置的结构图中不是所有的步骤或模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (12)

1.一种用于风险交易的识别方法，包括

选取多个交易订单，其中每个订单代表第一多个业务服务商之一与第二多个用户之一之间的交易；

建立原始网络关系图，其中该原始网络关系图包含代表所述业务服务商的第一多个服务商节点以及代表所述用户的第二多个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单；

设定用于所述服务商节点的第一k值以及用于所述用户节点的第二k值；

利用所述第一k值以及第二k值分别对所述原始网络关系图中的服务商节点与所述用户节点迭代应用K-core算法以产生第一网络关系图；

标识所述第一网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

2.如权利要求1的方法，其中应用K-core算法以产生第一网络关系图包括：

分别计算每个服务商节点的度以及每个用户节点的度，

通过从所述原始网络关系图中删除其度小于第一k值的服务商节点及与其相连的全部连线以及其度值小于第二k值的用户节点及与其相连的全部连线来产生所述第一网络关系图。

3.如权利要求1或2的方法，进一步包括：

根据所标识的风险交易调整所述第一k值以及第二k值；

利用经过调整的第一k值以及第二k值分别对所述第一网络关系图中的所述服务商节点与所述用户节点迭代应用K-core算法以产生第二网络关系图；

标识所述第二网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

4.如权利要求1或2的方法，进一步包括：

根据所标识的风险交易调整所述第一k值以及第二k值；

利用经过调整的第一k值以及第二k值分别对所述原始网络关系图中的所述服务商节点与所述用户节点迭代应用K-core算法以产生第三关系图；

标识所述第三网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

5.如前述任一权利要求的方法，其中所述业务服务商是电影院，所述用户为电影购票者。

6.一种风险交易的识别装置，包括：

获取模块，配置为选取多个交易订单，其中每个订单代表第一多个业务服务商之一与第二多个用户之一之间的交易；

构图模块，配置为建立原始网络关系图，其中该原始网络关系图包含代表所述业务服务商的第一多个服务商节点以及代表所述用户的第二多个用户节点，并且服务商节点与用户节点之间的每条连线代表所述多个交易订单中的一个订单；

计算模块，配置为：设定用于服务商节点的第一k值以及用于用户节点的第二k值；利用所述第一k值以及第二k值分别对所述原始网络关系图中的服务商节点与所述用户节点迭代应用K-core算法以产生第一网络关系图；以及

标识模块，配置为标识所述第一网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

7.如权利要求6的识别装置，其中所述计算模块进一步配置为：

分别计算每个服务商节点的度以及每个用户节点的度，

通过从所述原始网络关系图中删除其度小于第一k值的服务商节点及与其相连的全部连线以及其度值小于第二k值的用户节点及与其相连的全部连线来产生所述第一网络关系图。

8.如权利要求6或7的识别装置，其中所述计算模块进一步配置为：根据所标识的风险交易调整所述k值以及第二k值；利用经过调整的第一k值以及第二k值分别对所述第一网络关系图中的所述服务商节点与所述用户节点迭代应用K-core算法以产生第二网络关系图；

其中所述标识模块进一步标识所述第二网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

9.如权利要求6或7的识别装置，其中所述计算模块进一步配置为：根据所标识的风险交易调整所述第一k值以及第二k值；利用经过调整的第一k值以及第二k值分别对所述原始网络关系图中的所述服务商节点与所述用户节点迭代应用K-core算法以产生第三关系图；

其中所述标识模块进一步标识所述第三网络关系图中仍存在连线的所述服务商节点与用户节点所对应的业务服务商与用户之间的交易为风险交易。

10.如权利要求5-9之一的识别装置，其中所述业务服务商是电影院，所述用户为电影购票者。

11.一种具有指令的机器可读介质，所述指令在被一个或多个确定系统执行时，使所述确定系统执行根据权利要求1-5中的任一项所述的方法。

12.一种风险交易的识别装置，包括：

存储器，其上存储有指令；

处理器，所述处理器可配置为执行所述指令以实现根据权利要求1-5中的任一项所述的方法。