中圖分類號(hào)：TP311.13 文獻(xiàn)標(biāo)志碼：A 文章編碼：1672-7274（2025）04-0061-03

Abstract： This article proposes a recognition method based on DBSCAN clustering and Apriori correlation analysis fordetecting single channel arbitrage and channel cooperative arbitrage behaviors.Firstly，the order data is processed through stutering and regular text segmentation to form structured data.Then，the DBSCAN clustering algorithm is used to group similarusers and calculate the weights of channels in the group to identify arbitrage chanels. In addition，based on the Apriori algorithm，assciation analysis is conducted onnetwork users，a distance matrix is constructed，and the distanceat which users may handle businessin thechannel is set.The probabilityof users handling businessin the channel is calculated to determine the cooperative arbitrage channel. Compared with traditional audit methods，this methodoptimizes theaudit process，improves audit efficiencyandaccuracyand ensures the compliance and healthy development of enterprise channels.

Keywords： arbitrage identification; clustering algorithm; DBSCAN; text segmentation; correlation analysis： apriori;auditmethods

傳統(tǒng)審計(jì)方法采用人工抽樣調(diào)查，耗費(fèi)時(shí)間和人力。而智能化審計(jì)能提高效率和及時(shí)性。本文中研究了通過DBSCAN聚類算法以及Apriori關(guān)聯(lián)分析挖掘套利渠道，為審計(jì)師提供強(qiáng)大工具。

是指運(yùn)營商在營銷過程中支出費(fèi)用大于收入費(fèi)用的用戶，短期內(nèi)離網(wǎng)表明這些用戶質(zhì)量低，且離網(wǎng)用戶帶來的損失不可逆轉(zhuǎn)。

2.2分析維度

審計(jì)背景以及意義

渠道商利用運(yùn)營商資源獲取不當(dāng)利益，導(dǎo)致資源濫用、財(cái)務(wù)報(bào)表失真等。在審計(jì)背景下，利用DBSCAN聚類算法和Apriori關(guān)聯(lián)分析能夠幫助審計(jì)師了解渠道運(yùn)營情況，及時(shí)發(fā)現(xiàn)潛在套利問題，確保渠道合規(guī)、健康發(fā)展。另外，利用智能化審計(jì)技術(shù)可優(yōu)化審計(jì)流程，提高效率和準(zhǔn)確性[1]。

本文基于倒掛用戶從兩大方面進(jìn)行探索研究：一是套利渠道識(shí)別模型，使用DBSCAN聚類分析和渠道在聚類中的權(quán)重系數(shù)，確定套利渠道；二是合作套利識(shí)別模型，運(yùn)用Apriori關(guān)聯(lián)分析，結(jié)合渠道之間的距離信息，判斷渠道是否存在套利嫌疑。

2.3分析流程

（1）數(shù)據(jù)接入與整合：整合來自不同數(shù)據(jù)源的數(shù)據(jù)形成初步整合表。

2 總體思路

2.1分析對(duì)象

本文主要分析短期內(nèi)離網(wǎng)的倒掛用戶。倒掛用戶

（2）數(shù)據(jù)預(yù)處理：清洗數(shù)據(jù)，將非結(jié)構(gòu)化信息進(jìn)行結(jié)構(gòu)化處理。

（3）模型構(gòu)建：構(gòu)建渠道利用多業(yè)務(wù)進(jìn)行套利的

識(shí)別模型和渠道合作套利識(shí)別模型。

（4）模型應(yīng)用：將智能模型部署到系統(tǒng)中，定期輸出問題數(shù)據(jù)[2]。

3 具體內(nèi)容

3.1數(shù)據(jù)接入與整合

分析短期內(nèi)離網(wǎng)的倒掛用戶，構(gòu)建用戶和費(fèi)用兩大特征六個(gè)特性。

（1）用戶特征：位置、通信、上網(wǎng)費(fèi)用特征。

（2）費(fèi)用特征：用戶消費(fèi)、渠道費(fèi)用、運(yùn)營商營銷支出。

3.2數(shù)據(jù)預(yù)處理

采用結(jié)巴分詞和規(guī)則提取技術(shù)，再結(jié)合正則表達(dá)式對(duì)不規(guī)則文本進(jìn)行結(jié)構(gòu)化處理，形成規(guī)則化的數(shù)據(jù)表格。

3.3模型搭建

3.3.1渠道利用多業(yè)務(wù)進(jìn)行套利的識(shí)別模型

使用DBSCAN算法對(duì)短期離網(wǎng)的倒掛用戶進(jìn)行分類，將相似用戶歸為一類，并找出群組中權(quán)重大于閾值的渠道，將其視為疑似套利渠道。整體思路如下：數(shù)據(jù)接入與整合 數(shù)據(jù)預(yù)處理 利用DBSCAN聚類算法進(jìn)行歸類 計(jì)算入網(wǎng)渠道的權(quán)重系數(shù)→將大于閾值的渠道定義為疑似對(duì)象[3]。

3.3.1.1利用DBSCAN聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類

DBSCAN是一個(gè)基于密度的聚類算法，可以發(fā)現(xiàn)任意形狀的聚類。

（1）第一步：輸入樣本數(shù)據(jù)。

（2）第二步：標(biāo)準(zhǔn)化處理。

針對(duì)不同數(shù)據(jù)類型的變量采用不同的數(shù)據(jù)標(biāo)準(zhǔn)化處理方法。

① 文本型變量：采用啞變量處理方式，實(shí)現(xiàn)變量量化。

② 數(shù)值型變量：采用0-1標(biāo)準(zhǔn)化，計(jì)算公式為

式中， X 為具體的數(shù)值變量對(duì)應(yīng)的每個(gè)值， x_min 為該數(shù)值變量的最小值。

（3）第三步：DBSCAN聚類。

對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行DBSCAN聚類，得到了n個(gè)群組 A₁，A₂，…，A_n ，每個(gè)群體中的用戶都具有一定的相似性。

3.3.1.2計(jì)算渠道在群組中的權(quán)重系數(shù)

在一個(gè)聚類用戶群中包括了 個(gè)入網(wǎng)渠道B₁，B₂，…，B_m ，計(jì)算群體中每個(gè)入網(wǎng)渠道在總對(duì)應(yīng)渠道用戶數(shù)中的權(quán)重，得到渠道權(quán)重系數(shù)。

假設(shè)A聚類用戶群體共有 個(gè)用戶，分別從渠道B₁，B₂，…，B_k 入網(wǎng)，在群組A中對(duì)應(yīng)的渠道用戶數(shù)分別為x₁，x₂，…，x_k ， B₁，B₂，…，B_k 在樣本中的用戶數(shù)分別為 y₁，y₂ …_γk 。 B₁ 渠道系數(shù)為

式中， x₁ 為群組A從渠道 B₁ 入網(wǎng)的渠道用戶數(shù)， y₁ 為渠道 B_? 在樣本中的用戶數(shù)， γ₁₁ 為群組入網(wǎng)渠道對(duì)應(yīng)的渠道系數(shù)。

遍歷所有群組，得到權(quán)重系數(shù)矩陣：

式中， γ₁₁，γ₁₂，…，γ_nk 為群組的渠道系數(shù)，其中 n 為所在群組， k 為所在渠道。

3.3.1.3判斷疑似套利渠道

若在一個(gè)群組內(nèi)某個(gè)渠道的用戶權(quán)重較大，說明同一批次入網(wǎng)的低質(zhì)量用戶大量具有相似性。設(shè)置閥值 ε ，當(dāng)大于該閾值時(shí)，推斷該渠道為疑似套利渠道4。

3.3.2渠道合作套利識(shí)別模型

為了解決渠道合作套利問題，本文提出了一種基于Apriori關(guān)聯(lián)分析和距離矩陣的方法。首先，通過Apriori算法確定兩個(gè)渠道之間的關(guān)聯(lián)關(guān)系。其次，利用渠道與渠道、渠道與用戶常駐地的距離構(gòu)建距離矩陣，并對(duì)距離矩陣進(jìn)行0、1離散化處理（大于閾值 5km 則設(shè)為1，否則為0）。最后，計(jì)算兩個(gè)渠道距離為1發(fā)生的概率，并判斷用戶在兩個(gè)渠道辦理業(yè)務(wù)的概率。當(dāng)概率大于 50% 時(shí)，兩個(gè)關(guān)聯(lián)渠道被視為疑似合作套利渠道。閾值的設(shè)置可以根據(jù)業(yè)務(wù)場景進(jìn)行設(shè)置。

3.3.2.1構(gòu)建渠道用戶距離矩陣

在對(duì)兩個(gè)渠道關(guān)聯(lián)分析的基礎(chǔ)上，考慮到距離可能是一個(gè)重要的決定性因素。下面通過渠道與渠道之間的距離、渠道與用戶常駐地（居住地、工作地）的距離，通過經(jīng)緯度距離轉(zhuǎn)換得到一個(gè)距離矩陣。

（1）第一步：篩選支持度、置信度、提升度大于閾值的關(guān)聯(lián)渠道：

（2）第二步：計(jì)算具有關(guān)聯(lián)關(guān)系的渠道距離。

（3）第三步：計(jì)算每個(gè)關(guān)聯(lián)組合中渠道與用戶常駐地的距離，分別得到渠道與用戶居住地、工作地的距離。取兩者中的最小值作為渠道與用戶常駐地的距離系數(shù)。遍歷所有用戶，形成兩個(gè)關(guān)聯(lián)渠道的距離矩陣：

計(jì)算渠道和用戶常駐地的距離公式如下：

式中， A，B 代表2個(gè)具有關(guān)聯(lián)關(guān)系的渠道； X 為用戶。

遍歷渠道對(duì)應(yīng)的用戶，得到距離矩陣：

式中，第一列表示渠道與渠道的距離系數(shù)；第二列表示渠道A與用戶常駐地的距離（取最小值）系數(shù)；第三列表示渠道 B 與用戶常駐地的距離（取最小值）系數(shù)。

3.3.2.2通過距離矩陣確定渠道距離關(guān)聯(lián)概率

基于關(guān)聯(lián)分析和距離閾值，對(duì)距離矩陣進(jìn)行0、1二值化處理，得二值化距離概率矩陣。計(jì)算1的概率得出兩渠道關(guān)聯(lián)性，關(guān)聯(lián)性越大表示距離越遠(yuǎn)，用戶在這兩渠道辦理業(yè)務(wù)的概率越低。若概率超過閾值，則兩渠道合作嫌疑大。

設(shè)置閾值為 （δ₁δ₂δ₃） ，當(dāng)距離矩陣系數(shù)大于閥值，則為1，否則為0：

得到0-1距離矩陣：

計(jì)算每一行出現(xiàn)1的概率，下面公式中一行代表兩個(gè)關(guān)聯(lián)渠道的一個(gè)用戶出現(xiàn)1的概率，得到：

設(shè)置閾值為 α ，當(dāng) p 大于 α 則為1否則為0，計(jì)算兩個(gè)關(guān)聯(lián)渠道中1出現(xiàn)的概率，概率越大則用戶在兩個(gè)渠道辦理業(yè)務(wù)的可能性就越低。

結(jié)果呈現(xiàn)

4.1入網(wǎng)渠道利用多業(yè)務(wù)進(jìn)行套利的識(shí)別模型

利用DBSCAN聚類算法對(duì)用戶進(jìn)行聚類，聚類成3類。其中，在類別1和類別3中發(fā)現(xiàn)，渠道 GZ^*****48 和渠道 6Z^****02 的用戶占比為 67% 和 75% ，該2個(gè)渠道為疑似套利渠道，輸出線索。

4.2渠道合作套利識(shí)別模型

利用渠道的用戶進(jìn)行關(guān)聯(lián)分析，得到兩兩之間的關(guān)聯(lián)關(guān)系。共輸出8組置信度大于0.6，支持度大于0.01的關(guān)聯(lián)關(guān)系。

通過距離因素進(jìn)行計(jì)算，下面2組的距離概率系數(shù)均大于 50% ，分別為 87% 和 65% 。則輸出兩者組合線索。

5 創(chuàng)新應(yīng)用

5.1將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)

在預(yù)處理階段，我們采用了結(jié)巴分詞和規(guī)則來處理文本類數(shù)據(jù)，以提高數(shù)據(jù)的可分析性，同時(shí)使結(jié)構(gòu)化數(shù)據(jù)更好地與機(jī)器學(xué)習(xí)算法配合，實(shí)現(xiàn)自動(dòng)化流程和智能決策。

5.2高效自動(dòng)化用戶聚類

DBSCAN是一種強(qiáng)大的空間聚類算法，能發(fā)現(xiàn)任意形狀的簇群，且具有顯著優(yōu)勢。它無須預(yù)先確定簇群數(shù)量，并能有效處理噪聲和離群點(diǎn)。

5.3智能挖掘用戶渠道關(guān)聯(lián)性

智能挖掘用戶渠道關(guān)聯(lián)分析的意義在于深入了解用戶行為和渠道互動(dòng)，利用關(guān)聯(lián)分析方法分析用戶情況，挖掘用戶信息。

參考文獻(xiàn)

[1]方匡南.基于數(shù)據(jù)挖掘的分類和聚類算法研究及R語言實(shí)現(xiàn)[D].廣州：暨南大學(xué)，2007.

[2]湖北省審計(jì)學(xué)會(huì)課題組.大數(shù)據(jù)技術(shù)在審計(jì)全覆蓋中的應(yīng)用研究—一以湖北省醫(yī)保審計(jì)實(shí)踐為例[J].審計(jì)研究，2018（1）：11-15.

[3]秦榮生.大數(shù)據(jù)、云計(jì)算技術(shù)對(duì)審計(jì)的影響研究[J].審計(jì)研究，2014（6）：23-28.

[4]廖芹，郝志峰，陳志宏.數(shù)據(jù)挖掘與數(shù)學(xué)建模[M].北京：國防工業(yè)出版社，2010.