本發(fā)明涉及數(shù)據(jù)處理。更具體地，本發(fā)明涉及一種基于人工智能的自助購(gòu)票人機(jī)交互方法及系統(tǒng)。

背景技術(shù)：

1、人工智能在自助購(gòu)票人機(jī)交互中依托自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、智能對(duì)話系統(tǒng)和動(dòng)態(tài)定價(jià)等技術(shù)，使系統(tǒng)能夠理解用戶的語(yǔ)音和文本輸入，分析用戶行為，提供個(gè)性化推薦和實(shí)時(shí)定價(jià)，同時(shí)通過(guò)身份驗(yàn)證和情感分析提升安全性和用戶體驗(yàn)。這些技術(shù)共同優(yōu)化了購(gòu)票流程的智能化和效率。在自助購(gòu)票系統(tǒng)中，用戶購(gòu)票風(fēng)險(xiǎn)評(píng)估利用人工智能算法，如局部離群因子(lof)算法、孤立森林(isolation?forest)算法等分析購(gòu)票行為，識(shí)別潛在的欺詐、違規(guī)或其他異常行為。這一功能的實(shí)現(xiàn)不僅依賴于先進(jìn)的算法和技術(shù)，還需要綜合考慮用戶體驗(yàn)和業(yè)務(wù)需求。系統(tǒng)需要在準(zhǔn)確檢測(cè)異常行為的同時(shí)，盡量減少誤報(bào)率，以避免對(duì)正常用戶的購(gòu)票體驗(yàn)造成干擾。這要求系統(tǒng)在設(shè)計(jì)和實(shí)現(xiàn)過(guò)程中，既要具備強(qiáng)大的數(shù)據(jù)處理和分析能力，又要能夠靈活適應(yīng)不同場(chǎng)景和需求。

2、如，使用局部離群因子算法評(píng)估用戶購(gòu)票風(fēng)險(xiǎn)度時(shí)，由于局部離群因子算法是一種無(wú)監(jiān)督的離群檢測(cè)方法，屬于基于密度的離群點(diǎn)檢測(cè)方法，其在進(jìn)行異常檢測(cè)時(shí)，往往需要設(shè)置k值，因此對(duì)各用戶購(gòu)票數(shù)據(jù)進(jìn)行異常檢測(cè)時(shí)受k值影響大，當(dāng)k值選取過(guò)大時(shí)，局部離群因子算法敏感度低，會(huì)導(dǎo)致風(fēng)險(xiǎn)數(shù)據(jù)被誤判為正常數(shù)據(jù)；當(dāng)k值選取過(guò)小時(shí)，局部離群因子算法敏感度高，會(huì)導(dǎo)致正常數(shù)據(jù)虛警，從而造成用戶購(gòu)票風(fēng)險(xiǎn)度評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述背景技術(shù)中提出的造成用戶購(gòu)票風(fēng)險(xiǎn)度評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題，本發(fā)明在如下的多個(gè)方面中提供方案。

2、在第一方面中，本發(fā)明提供了一種基于人工智能的自助購(gòu)票人機(jī)交互方法，包括：

3、獲取當(dāng)前時(shí)間段內(nèi)不同用戶的購(gòu)票數(shù)據(jù)；采用局部離群因子算法對(duì)各用戶的購(gòu)票數(shù)據(jù)進(jìn)行異常檢測(cè)，得到各購(gòu)票數(shù)據(jù)的疑似異常數(shù)據(jù)和疑似正常數(shù)據(jù)；其中，局部離群因子算法中的k近鄰值為初始k值；

4、計(jì)算疑似正常數(shù)據(jù)的評(píng)價(jià)指標(biāo)，所述評(píng)價(jià)指標(biāo)與分類有效度、數(shù)據(jù)相似度呈正相關(guān)；所述分類有效度表征當(dāng)前疑似異常數(shù)據(jù)與歷史時(shí)間段異常數(shù)據(jù)的差異變化；響應(yīng)于評(píng)價(jià)指標(biāo)低于設(shè)定閾值時(shí)，對(duì)所述初始值進(jìn)行更新，直至更新后的評(píng)價(jià)指標(biāo)高于設(shè)定閾值，停止更新，并得到更新后的最優(yōu)值；其中，更新規(guī)則為：當(dāng)疑似異常數(shù)據(jù)占比低于歷史時(shí)間段異常數(shù)據(jù)占比時(shí)，將上一次k值與分類有效度的乘積作為當(dāng)前次更新后的k值；當(dāng)疑似異常數(shù)據(jù)占比高于或等于歷史時(shí)間段異常數(shù)據(jù)占比時(shí)，將上一次的k值與分類有效度的比值作為當(dāng)前次更新后的k值；

5、基于最優(yōu)值，對(duì)各用戶的購(gòu)票數(shù)據(jù)進(jìn)行異常檢測(cè)，得到各購(gòu)票數(shù)據(jù)的最終異常數(shù)據(jù)，并及時(shí)阻止最終異常數(shù)據(jù)對(duì)應(yīng)用戶的異常購(gòu)票行為。

6、上述方案通過(guò)優(yōu)化局部離群因子算法中的k值，實(shí)現(xiàn)了精準(zhǔn)的異常數(shù)據(jù)檢測(cè)，使其在不同時(shí)間段內(nèi)能夠自適應(yīng)調(diào)整，從而提高了用戶購(gòu)票風(fēng)險(xiǎn)度評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題。

7、進(jìn)一步地，所述初始k值為：

8、

9、式中，a′表示當(dāng)前時(shí)間段購(gòu)票數(shù)據(jù)總數(shù)，a表示歷史時(shí)間段購(gòu)票數(shù)據(jù)總數(shù)，b表示歷史時(shí)間段異常數(shù)據(jù)總數(shù)，表示歷史時(shí)間段異常數(shù)據(jù)占比。

10、上述方案通過(guò)將歷史時(shí)間段異常數(shù)據(jù)占比與當(dāng)前時(shí)間段購(gòu)票數(shù)據(jù)總數(shù)相乘，通過(guò)歷史經(jīng)驗(yàn)得到k值的初始值，使得檢測(cè)算法能夠適應(yīng)不同時(shí)間段的數(shù)據(jù)波動(dòng)，確保異常檢測(cè)算法在數(shù)據(jù)規(guī)模變化時(shí)仍然有效，提高了異常檢測(cè)的靈敏度和精確性。

11、進(jìn)一步地，所述數(shù)據(jù)相似度為：

12、sn，n+1＝α×dn，n+1+(1-α)×yn，n+1；

13、式中，sn，n+1表示疑似正常數(shù)據(jù)中第n個(gè)數(shù)據(jù)與第n+1個(gè)數(shù)據(jù)的數(shù)據(jù)相似度，dn，n+1表示疑似正常數(shù)據(jù)中第n個(gè)數(shù)據(jù)與第n+1個(gè)數(shù)據(jù)的曼哈頓距離，yn，n+1表示疑似正常數(shù)據(jù)中第n個(gè)數(shù)據(jù)與第n+1個(gè)數(shù)據(jù)的余弦相似度，α表示距離度量權(quán)重。

14、上述技術(shù)方案通過(guò)結(jié)合曼哈頓距離和余弦相似度，根據(jù)數(shù)據(jù)分布的稀疏程度動(dòng)態(tài)調(diào)整兩者的權(quán)重，使得在稀疏數(shù)據(jù)分布時(shí)，更多依賴余弦相似度，從而提高相似度計(jì)算的準(zhǔn)確性和魯棒性，有效應(yīng)對(duì)不同數(shù)據(jù)分布下的異常檢測(cè)需求。

15、進(jìn)一步地，距離度量權(quán)重α的計(jì)算公式為：

16、

17、式中，c表示疑似正常數(shù)據(jù)的總數(shù)，r表示購(gòu)票數(shù)據(jù)中特征參數(shù)的總數(shù)，dn，n+1表示疑似正常數(shù)據(jù)中第n個(gè)數(shù)據(jù)與第n+1個(gè)數(shù)據(jù)的曼哈頓距離，gi，j表示疑似正常數(shù)據(jù)中第i個(gè)數(shù)據(jù)的第j個(gè)特征參數(shù)，gi+1，j表示疑似正常數(shù)據(jù)中第i+1個(gè)數(shù)據(jù)的第，個(gè)特征參數(shù)。

18、上述技術(shù)方案通過(guò)綜合考慮疑似正常數(shù)據(jù)的整體分布特征和各特征參數(shù)的差異，動(dòng)態(tài)計(jì)算距離度量權(quán)重α，從而準(zhǔn)確地反映數(shù)據(jù)之間的實(shí)際相似性。這一方法能夠有效適應(yīng)數(shù)據(jù)特征的復(fù)雜性。

19、進(jìn)一步地，所述分類有效度為：

20、

21、式中，h表示分類有效度，a′表示當(dāng)前時(shí)間段購(gòu)票數(shù)據(jù)總數(shù)；b′表示當(dāng)前時(shí)間段疑似異常數(shù)據(jù)總數(shù)，a表示歷史時(shí)間段購(gòu)票數(shù)據(jù)總數(shù)，b表示歷史時(shí)間段異常數(shù)據(jù)總數(shù)，e為自然對(duì)數(shù)函數(shù)的底數(shù)。

22、上述技術(shù)方案通過(guò)分類有效度的計(jì)算，量化當(dāng)前時(shí)間段與歷史時(shí)間段異常數(shù)據(jù)占比的差異。通過(guò)指數(shù)函數(shù)控制差異的影響，確保分類有效度在異常占比變化不大時(shí)接近1，從而在動(dòng)態(tài)調(diào)整時(shí)提供穩(wěn)定性，并在顯著差異時(shí)敏感地反映出異常，提升檢測(cè)算法的適應(yīng)性和準(zhǔn)確性。

23、進(jìn)一步地，所述評(píng)價(jià)指標(biāo)為：

24、

25、式中，u表示評(píng)價(jià)指標(biāo)，h表示分類有效度，sn，n+1表示疑似正常數(shù)據(jù)中第n個(gè)數(shù)據(jù)與第n+1個(gè)數(shù)據(jù)的數(shù)據(jù)相似度，c表示疑似正常數(shù)據(jù)的總數(shù)。

26、上述方法有效結(jié)合了歷史異常數(shù)據(jù)的影響和當(dāng)前數(shù)據(jù)的相似性，提供了一個(gè)平衡的評(píng)價(jià)標(biāo)準(zhǔn)，有助于在優(yōu)化過(guò)程中確保檢測(cè)的分類準(zhǔn)確性和穩(wěn)定性。

27、進(jìn)一步地，所述購(gòu)票數(shù)據(jù)包括多個(gè)特征參數(shù)，所述特征參數(shù)為：購(gòu)票時(shí)間、購(gòu)票頻率、購(gòu)票總價(jià)、賬戶登錄頻率、機(jī)票飛行平均間隔時(shí)間。

28、進(jìn)一步地，還包括：對(duì)購(gòu)票數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理過(guò)程為：數(shù)據(jù)歸一化、缺失值填充和數(shù)據(jù)平滑。

29、在第二方面中，本發(fā)明提供了一種基于人工智能的自助購(gòu)票人機(jī)交互系統(tǒng)，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器內(nèi)存儲(chǔ)有計(jì)算機(jī)程序指令，當(dāng)所述計(jì)算機(jī)程序指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)以上任意一項(xiàng)所述的基于人工智能的自助購(gòu)票人機(jī)交互方法。

30、本發(fā)明的有益效果在于：

31、本發(fā)明通過(guò)動(dòng)態(tài)調(diào)整局部離群因子算法中的k值，結(jié)合歷史與當(dāng)前異常數(shù)據(jù)占比和數(shù)據(jù)相似度，優(yōu)化異常檢測(cè)過(guò)程，提高了檢測(cè)算法的靈敏度和準(zhǔn)確性。通過(guò)連續(xù)更新和優(yōu)化k值，確保評(píng)價(jià)指標(biāo)達(dá)到最優(yōu)，從而實(shí)現(xiàn)了對(duì)用戶購(gòu)票行為的精準(zhǔn)異常檢測(cè)和實(shí)時(shí)風(fēng)險(xiǎn)控制，解決了用戶購(gòu)票風(fēng)險(xiǎn)度評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題，有效阻止了潛在的異常購(gòu)票行為。

技術(shù)特征：

1.一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，所述初始k值為：

3.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，所述數(shù)據(jù)相似度為：

4.根據(jù)權(quán)利要求3所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，距離度量權(quán)重α的計(jì)算公式為：

5.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，所述分類有效度為：

6.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，所述評(píng)價(jià)指標(biāo)的計(jì)算公式為：

7.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，所述購(gòu)票數(shù)據(jù)包括多個(gè)特征參數(shù)，所述特征參數(shù)為：購(gòu)票時(shí)間、購(gòu)票頻率、購(gòu)票總價(jià)、賬戶登錄頻率、機(jī)票飛行平均間隔時(shí)間。

8.根據(jù)權(quán)利要求1所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法，其特征在于，還包括：對(duì)購(gòu)票數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理過(guò)程為：數(shù)據(jù)歸一化、缺失值填充和數(shù)據(jù)平滑。

9.一種基于人工智能的自助購(gòu)票人機(jī)交互系統(tǒng)，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器內(nèi)存儲(chǔ)有計(jì)算機(jī)程序指令，當(dāng)所述計(jì)算機(jī)程序指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1～8任意一項(xiàng)所述的一種基于人工智能的自助購(gòu)票人機(jī)交互方法。

技術(shù)總結(jié)
本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，本發(fā)明涉及一種基于人工智能的自助購(gòu)票人機(jī)交互方法及系統(tǒng)，包括：獲取當(dāng)前時(shí)間段內(nèi)用戶的購(gòu)票數(shù)據(jù)，并使用局部離群因子算法對(duì)其進(jìn)行異常檢測(cè)，檢測(cè)結(jié)果包括疑似異常數(shù)據(jù)和疑似正常數(shù)據(jù)，且算法中的k近鄰值為初始k值，計(jì)算疑似正常數(shù)據(jù)的評(píng)價(jià)指標(biāo)，該指標(biāo)與分類有效度和數(shù)據(jù)相似度呈正相關(guān)，當(dāng)評(píng)價(jià)指標(biāo)低于閾值時(shí)，更新k值，更新規(guī)則根據(jù)當(dāng)前與歷史異常數(shù)據(jù)占比的關(guān)系調(diào)整，直至指標(biāo)高于閾值，最終確定最優(yōu)值。最后，基于最優(yōu)值重新檢測(cè)用戶購(gòu)票數(shù)據(jù)，識(shí)別并阻止異常購(gòu)票行為。本發(fā)明解決了用戶購(gòu)票風(fēng)險(xiǎn)度評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題。

技術(shù)研發(fā)人員：杜新
受保護(hù)的技術(shù)使用者：武漢市豐誼商務(wù)國(guó)際旅行社有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10