随着互联网技术的不断发展与变革,商业贸易由线下转到线上,人们也越来越倾向于网上消费。线上的交易使用户和商家在得到便利、高效和经济效益的同时,也出现了越来越多的网络消费漏洞,这导致网络交易风险加大。网络黑色产业是网络消费过程中的一种新的交易风险类型,它利用违法手段在互联网交易中谋取利益。大数据技术和数据挖掘技术的不断完善,使得识别消费过程中的交易风险成为可能。特别是对黑色产业的研究与识别,不仅能保护商家的正常运营,减少商家的经济利益损失,还能使自然用户的交易体验更加流畅。本文针对Data Castle竞赛提供的消费过程数据,使用随机森林模型和LightGBM(Light Gradient Boosting Machine)模型识别交易过程中的自然用户和黑产用户。鉴于数据存在不平衡现象,采用SMOTE(Synthetic Minority Oversampling Technique)过采样算法对数据进行平衡处理,为了对比样本类别不平衡数据对训练模型产生的影响,分别对平衡处理前后的数据建模,使用五折交叉验证对模型进行检验,最后利用非平衡数据模型评价指标对模型进行评定。结果显示,基于SMOTE过采样的随机森林模型和Light GBM模型都取得了良好的分类效果,模型预测的整体准确度都达到97%以上,少类样本准确率达到99%,其他各项指标也均在95%以上,相比直接使用不平衡数据分类,整体准确度提高1%,少类样本准确率提高32%以上。