CN106815754A - 一种风险控制系统的计费方法和风控系统服务器 - Google Patents

Abstract

本申请实施例公开了风险控制系统的计费方法和服务器。一种风险控制系统的计费方法实施例，包括：风控系统服务器从电商平台服务器获得当前交易数据；所述风控系统服务器利用当前交易数据，并基于大数据计算所述当前交易的风险概率；所述风控系统服务器将所述风险概率反馈至电商平台服务器；述风控系统服务器接收所述电商平台服务器发送的当前交易的结果；所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度。利用上述实施例，在确定佣金额度时可以考虑当前交易结果及之前给出的风险概率，这种定价方式更加合理。

Description

一种风险控制系统的计费方法和风控系统服务器

技术领域

本申请涉及数据处理技术领域，特别涉及一种风险控制系统的计费方法和服务器。

背景技术

B2B、B2C等的电商平台中，在交易达成过程中，买家向商户进行支付，商户出售产品或服务。买家可以提供自己的资金账号进行支付，具体的，例如利用余额支付，利用在线信用卡支付等。

买家的资金账号可能并非由买家本人操作，有时候可能是他人盗用买家账户。例如，买家本人遗失信用卡，他人拾取后用该卡在电商平台进行消费。再例如，买家本人的电商平台账号被盗，盗取者利用该账号在电商平台进行消费。这些行为，都是非法盗用行为。但是在交易过程中商户并无法知道此时是否是买家本人的购买行为。然而，后续一旦认定为买家的购买行为是非法盗用行为(如买家本人发现账号/信用卡被盗用后向公安报案)，大多数卖家将要赔付非法购买行为发生的消费金额给买家。在赔付之后，卖家往往无法追回已经提供的商品或服务。这样，会给卖家带来风险。

针对上述情况，大多卖家(电商平台或入驻电商平台的商户)需要一种风险控制系统，以帮助鉴别交易风险。现有技术中一种风险控制系统，可以根据卖家的历史交易数据以及买家的交易数据，按照一定的策略计算某次交易的风险，并将该计算得到的风险概率提示给商户。此外，风险控制系统供应商，针对每次风险提示收取佣金，例如向电商平台或卖家收取这种佣金。

上述方式，不论卖家是否采纳给出的风险提示，风险控制系统均收取相同的佣金。实际上，电商平台或商户可以针对每次交易的风险作出自己的判断。而现有的方式并不将电商平台或商户的这种判断作为确定佣金的因素，这种定价方式并不合理。

发明内容

本申请实施例的目的是提供一种风险控制系统的计费方法和服务器，以将电商平台或商户针对每次交易的风险作出的判断作为确定佣金的因素。

为解决上述技术问题，本申请实施例提供一种风险控制系统的计费方法和服务器是这样实现的：

一种风险控制系统的计费方法，包括：

风控系统服务器从电商平台服务器获得当前交易数据；

所述风控系统服务器利用当前交易数据，并基于机器学习算法计算所述当前交易的风险概率；

所述风控系统服务器将所述风险概率反馈至电商平台服务器；

所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果；

所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度。

一种风险控制系统的计费方法，包括：

风控系统服务器从电商平台服务器获得当前交易数据；

所述风控系统服务器利用当前交易数据，并基于机器学习算法计算所述当前交易的风险概率；

所述风控系统服务器按照预定规则将所述风险概率转化为风险等级，并将所述风险等级反馈至电商平台服务器；

所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果；

所述风控系统服务器根据所述当前交易结果及所述风险等级确定佣金额度。

一种风控系统服务器，包括：

数据获取单元，用于从电商平台服务器获得当前交易数据

计算单元，用于利用当前交易数据并基于机器学习算法计算所述当前交易的风险概率；

反馈单元，用于将所述风险概率反馈至电商平台服务器；

交易结果接收单元，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元，用于根据所述当前交易结果及所述风险概率确定佣金额度。

一种风控系统服务器，包括：

数据获取单元，用于从电商平台服务器获得当前交易数据

计算单元，用于利用当前交易数据并基于机器学习算法计算所述当前交易的风险概率；

转化单元，用于按照预定规则将所述风险概率转化为风险等级；

反馈单元，用于将所述风险等级反馈至电商平台服务器；

交易结果接收单元，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元，用于根据所述当前交易结果及所述风险等级确定佣金额度。

由以上本申请实施例提供的技术方案可见，所述风控系统服务器计算所述当前交易的风险概率并反馈至电商平台服务器，并从所述电商平台服务器接收当前交易的结果，之后根据所述当前交易结果及所述风险概率确定佣金额度，这样，电商平台或商户可以针对每次交易的风险作出自己的判断。从而，所述风控系统服务器在确定佣金额度时可以考虑当前交易结果及之前给出的风险概率，这种定价方式更加合理。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请风险控制系统的框架图；

图2为本申请风险控制系统的计费方法一个实施例的流程图；

图3为本申请风险控制系统的计费方法一个实施例的流程图；

图4为本申请风险控制系统服务器一个实施例的框图；

图5为本申请风险控制系统服务器一个实施例的框图；

图6为本申请决策树算法的一个示意图。

具体实施方式

本申请实施例提供一种风险控制系统的计费方法和服务器。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本申请可以涉及一个或多个系统。例如如图1所示，本申请的一种系统的架构100可以包括电商平台111，风控系统112。所述电商平台111可以与风控系统112通过网络113接口相连接。其中，电商平台111可以提供B2B、B2C、C2C以及O2O之类的交易平台114，也可以提供此类交易的支付平台115。所述交易平台114和支付平台115可以集成于电商平台中。在另一个实施例中，所述交易平台114可以与所述支付平台115分离设置，而通过网络连接交易平台服务器114与支付平台服务器115。图1仅示出了前一情况的实施例。用户可以通过客户端120并经由网络116向电商平台发起交易请求。

本申请中的网络113和网络116都可以包括有线或无线电信装置，客户端113所基于的网络装置可以通过所述有线或无线电信装置来交换数据。例如，每个网络113和116都可以包括局域网(“LAN”)、广域网(“WAN”)、内部网、互联网、移动电话网络、虚拟专用网(VPN)、蜂窝式或其它移动通信网络、蓝牙、NFC或其任何组合。在示例性实施方案的讨论中，应理解，术语“数据”和“信息”可在本文中互换使用来指代可存在于基于计算机的环境中的文字、图像、音频、视频或任何其它形式的信息。

每个客户端120所基于的网络装置都可以包括具有能够经由网络116发出并接收数据的通信模块的装置。例如，每个客户端120所基于的网络装置都可以包括服务器、台式计算机、膝上型计算机、平板计算机、智能手机、手持式计算机、个人数字助理(“PDA”)，或者其它任何的有线或无线处理器驱动装置。在图1所描绘的示例性实施方案中，客户端120所基于的网络装置可以分别由最终用户或消费者、可能的交易对手方用户、产品展销网络系统的发布者，以及等待支付的操作者进行操作。

网页浏览器应用程序或独立应用程序的应用程序，可以与连接到网络116的网页服务器(或其它服务器，诸如产品展示平台、支付平台等)以完成交互。

每个客户端120所基于的网络装置，可以通过软件或硬件甚至软硬件结合的方式纳入数字钱包应用程序模块。数字钱包可以涵盖客户端120以用来帮助客户端完成购买交易的任何应用程序、硬件、软件或进程。数字钱包可以与网页浏览器应用程序分开、可以与其交互，或者可以具体实现为其配套应用。作为配套应用，数字钱包在网页浏览器应用内执行。也就是说，数字钱包可以是嵌入网页浏览器应用程序中的应用程序。如果数字钱包与网页浏览器应用程序分开，则数字钱包可以经由任何可用的通信技术来访问网络116。

客户端120可以根据承载的用户信息提供或获取一个或多个联系人应用程序。联系人应用可以是客户端120上用于保持产品展示网络或支付网络可访问性的用户联系人的任何应用程序。联系人应用的实例可以包括但不限于电子邮件应用程序、短信应用程序、即时消息发送、日历邀请列表，或者如OUTLOOK或ACT的联系人数据库，或者产品展示软件的好友(或分级好友、陌生人、拉黑人等诸如此类)提供程序/界面/列表/清单，可以包括在线的、不在线的、隐身的、忙碌的甚至托管的状态。联系人应用中的联系人可以通过各种因素来进行优先级排序，所述因素如与客户端120承载所述用户的通信频率、产品购买关系、出现有特定联系人的联系人应用程序的数目，或者可从应用程序中提取出的任何其它优先级排序因素。

以下以结合附图2说明本申请一种风险控制系统的计费方法实施例，如图所示，包括：

S210：风控系统服务器从电商平台服务器获得当前交易数据。

所述当前交易的相关数据，可以包括卖家数据、买家数据。

所述买家数据可以包括设备环境、交易数据、银行数据中的一项或多项。

所述设备环境可以包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本等中的一项或多项。

所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话等中的一项或多项。

所述银行数据可以包括支付银行代号，账户名，支付账单地址等中的一项或多项。

所述卖家数据，可以包括商户类型，商户注册时间等中的一项或多项。

S220：所述风控系统服务器利用当前交易数据，并基于机器学习算法计算所述当前交易的风险概率。

基于已有数据，可以通过机器学习算法得到风险概率模型，例如通过决策树算法得到风险概率模型。决策树算法例如如图6所示。结合本申请实施例，各个节点及条件可以通过对已有数据的训练得到，例如通过对已有且明确的各类数据及是否欺诈结果明确的数据训练得到。图6中，树形结构节点，如卖家是否异地交易、产品金额等属于节点，节点分支的条件例如产品金额大于1000还是小于1000。

通过决策树算法，可以在图6的基础上得到判断是否欺诈最佳的节点属性及条件，并使得该决策树的结构尽量简化。同时，可能将对整体影响不大的属性筛选掉；也就是说，通过决策树算法训练得到的结果，可能仅需要S210中当前交易数据的部分数据。

接下来，通过设置合理的函数，可以借助已有的大数据处理技术从这些大数据中找出规律。例如逻辑回归(logistic回归)，GBDT(Gradient BoostingDecision Tree)，甚至深度学习等机器学习方法，都可以被用于针对这些大数据进行建模，从而得出通过上述决策树算法筛选出各个节点属性之间的关系以及各节点属性的权重，进而可以得到统一的方程或者计算公式。

例如，得到统一的方程如下：

Y_风险＝a*X_设备环境+b*X_操作系统+c*X_产品类型+… 公式1

并且，上述各节点属性的权重值也可以通过已有的大量数据计算得到。

这样，对于S210获得的当前交易数据，可以利用上述公式1计算所述当前交易的风险概率(将当前交易数据代入公式1，从而计算得到Y_风险)。计算得到的当前交易的风险概率，可以为位于0和1之间的值。例如越接近1表示风险越大，越接近0表示风险越小。

S230：所述风控系统服务器将所述风险概率反馈至电商平台服务器。

所述风控系统服务器计算得出当前交易的风险概率后，可以将该风险概率反馈至电商平台服务器。

S240：所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果。

交易的卖家，可以购买所述风控系统提供的风险提示服务。例如，电商平台作为卖家的情形，电商平台可以购买所述风控系统提供的风险提示服务。再例如，入驻电商平台的商户作为卖家的情形，可以直接购买所述风控系统提供的风险提示服务，也可以是入驻的电商平台购买所述风控系统提供的风险提示服务，然后再由入驻商户想电商平台订购风险提示。

对于所述电商平台即为卖家的情形，所述电商平台服务器接收到所述风控系统服务器反馈的当前交易风险概率后，可以获知当前交易的风险概率。进而，所述电商平台可以根据提示的风险概率决定是否进行当前交易，例如是否达成交易、是否发货等。例如确定进行当前交易，则后续买家将完成付款的操作。在交易完成之后的一段时间内，如果买家在所述交易中产生了欺诈行为，例如买家非本人或非经授权的消费行为，之后真实买家向电商平台提起退款要求。这样，所述电商平台可以将该交易结果标记为有欺诈。

对于电商平台上入驻的商户为卖家的情形，所述电商平台服务器接收到所述风控系统服务器反馈的当前交易风险概率后，如果入驻商户在电商平台上订购了风险提示服务，电商平台服务器可以在提供的当前交易页面上显示所述风险概率。这样，所述商户可以获知当前交易的风险概率。进而，所述卖家可以根据提示的风险概率决定是否进行当前交易，例如是否达成交易、是否发货等。例如确定进行当前交易，则后续买家将完成付款的操作。在交易完成之后的一段时间内，如果买家在所述交易中产生了欺诈行为，例如买家非本人或非经授权的消费行为，之后真实买家向卖家和电商平台提起退款要求。这样，所述电商平台可以将该交易结果标记为有欺诈。

当然，如果在交易完成之后的一段时间内，并没有发生欺诈，则所述电商平台服务器可以将该交易结果标记为无欺诈，并可以将该交易结果发送至所述风控系统服务器。

此外，所述卖家可能收到风控系统服务器反馈的当前交易风险概率后，没有进行交易，而是中止了交易。这种情况，所述电商平台服务器可以将该交易结果标记为中止，并可以将该交易结果发送至所述风控系统服务器。

S250：所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度。

所述风控系统服务器接收到所述电商平台服务器发送的当前交易的结果后，可以根据所述当前交易结果及所述风险概率确定该笔交易的风险提示服务所收取的佣金额度。

具体的，可以包括以下方式中的任一种或几种的组合：

所述风险概率为预设的高概率，如预设的高概率为0.5～1，而所述当前交易结果为有欺诈，则可以将佣金额度确定为第一额度；该情况相当于所述风控系统服务器给出了相对正确的的风险提示，而卖家仍然进行交易，且交易结果如风险提示，确实产生了欺诈。

所述风险概率为预设的高概率，如预设的高概率为0.5～1，而所述当前交易结果为中止交易，则可以将佣金额度确定为第二额度；该情况相当于所述风控系统服务器给出了相对正确的的风险提示，而卖家采纳了风险提示及时中止了交易，避免了损失。这种情况，第二额度可以与第一额度相同或相近。

所述风险概率为预设的高概率，如预设的高概率为0.5～1，而所述当前交易结果为无欺诈，则可以将佣金额度确定为第三额度；实际上，这种情况相当于所述风控系统服务器给出了错误的风险提示，而卖家自主达成交易且没有发生欺诈。这种情况，第三额度应明显小于第一额度和第二额度。甚至，第三额度可以为0或负值。负值可以表示不仅不收取卖家佣金，且由所述风控系统赔付一定额度的现金(或等价物)给所述卖家。

所述风险概率为预设的低概率，如预设的低概率为0～0.5，而所述当前交易结果为有欺诈，则可以将佣金额度确定为第四额度。实际上，该情况相当于所述风控系统服务器给出了错误的风险提示，而卖家基于风险提示达成交易后，发生欺诈。这种情况，第四额度应明显小于第一额度。甚至，第四额度可以为0或负值。负值可以表示不仅不收取卖家佣金，且由所述风控系统赔付一定额度的现金(或等价物)给所述卖家。

所述风险概率为预设的低概率，如预设的低概率为0～0.5，而所述当前交易结果为无欺诈，则可以将佣金额度确定为第五额度。该情况相当于所述风控系统服务器给出了相对正确的的风险提示。第五额度可以与第一额度相同或相近，当然，第五额度也可以明显低于或高于第一额度。这里并不限定。

所述风险概率为预设的低概率，如预设的低概率为0～0.5，而所述当前交易结果为中止交易，则可以将佣金额度确定为第六额度。该情况相当于所述风控系统服务器给出了相对正确的的风险提示，但卖家处于某种原因并未进行交易。第六额度可以与第一额度相同或相近，当然，第六额度也可以明显高于低于或第一额度。

由以上本申请实施例，所述风控系统服务器计算所述当前交易的风险概率并反馈至电商平台服务器，并从所述电商平台服务器接收当前交易的结果，之后根据所述当前交易结果及所述风险概率确定佣金额度，这样，电商平台或商户可以针对每次交易的风险作出自己的判断。从而，所述风控系统服务器在确定佣金额度时可以考虑当前交易结果及之前给出的风险概率，这种定价方式更加合理。

以下介绍本申请另一风险控制系统的计费方法实施例，如图3所示，包括：

S310：风控系统服务器从电商平台服务器获得当前交易数据。

所述当前交易的相关数据，可以包括卖家数据、买家数据。

所述买家数据可以包括设备环境、交易数据、银行数据中的一项或多项。

所述设备环境可以包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本等中的一项或多项。

所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话等中的一项或多项。

所述银行数据可以包括支付银行代号，账户名，支付账单地址等中的一项或多项。

所述卖家数据，可以包括包括商户类型,商户注册时间等。

S320：所述风控系统服务器利用当前交易数据，并基于机器学习算法得到所述当前交易的风险概率。

该步骤类似S220，这里不再赘述。

S330：所述风控系统服务器按照预定规则将所述风险概率转化为风险等级，并将所述风险等级反馈至电商平台服务器。

所述风控系统服务器可以按照预定规则将所述风险概率转化为风险等级。具体的，可以将风险概率可能出现的区间[0,1]固定的划分成几个区间，之后将其中的区间设定为不同的风险等级。例如，区间[0,1]固定划分为10个区间，分别为[0,0.1)，[0.1,0.2)，[0.2,0.3)，[0.2,0.3)，[0.3,0.4)，[0.4,0.5)，[0.5,0.6)，[0.6,0.7)，[0.7,0.8)，[0.8,0.9)，[0.9,1]。之后，可以将[0,0.1)，[0.1,0.2)，[0.2,0.3)，[0.2,0.3)这几个区间设定为低风险等级；将[0.3,0.4)，[0.4,0.5)，[0.5,0.6)，[0.6,0.7)这几个区间设定为中风险等级；将[0.7,0.8)，[0.8,0.9)，[0.9,1]这几个区间设定为高风险等级。

此外，考虑卖家的历史交易情况，可以采用聚类算法进行风险等级的分级。例如，采用现有技术中一种典型的聚类方法—K-MEANS算法。这种算法接收输入的聚类个数k，并接收包含N个数据对象的数据库，将该N个数据对象输出至满足方差最小标准的k个聚类中。划分至k个聚类中的N个数据对象，同一聚类中的数据对象相似度较高，而不同聚类中的数据对象相似度较小。通常，这种聚类相似度可以利用各聚类中数据对象的均值所获得一个“中心对象”(引力中心)来进行计算。

K-MEANS算法的实现过程具体包括：

(1)从n个数据对象任意选择k个对象作为初始聚类中心；

(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；

(3)重新计算每个(有变化)聚类的均值(中心对象)；

(4)计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤(2)。

具体的，本实施例中，可以将卖家的历史数据作为输入，并选择其中3个数据作为初始聚类中心进行计算。这样，最终可以得到3个聚类。

需要说明的是，这里的具体聚类算法，也可以采用DBSCAN算法或者凝聚层次算法等已知方式实现。

通过上述聚类算法，可以结合数据分布状况来做分级，从而不会像上述将[0,1]固定划分为10个区间的方式那样可能将实际上差值很小的数据分至不同的区间。也就是说，通过上述聚类算法，结合数据分布状况做分级，可以使得得到的风险等级更为合理，不同风险等级之间区分更加明显；这样，也使得风险等级结果与实际情况更为相符。

所述风控系统服务器计算得出当前交易的风险等级后，可以将该风险等级反馈至电商平台服务器。

S340：所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果。

交易的卖家，可以购买所述风控系统提供的风险提示服务。例如，电商平台作为卖家的情形，电商平台可以购买所述风控系统提供的风险提示服务。再例如，入驻电商平台的商户作为卖家的情形，可以直接购买所述风控系统提供的风险提示服务，也可以是入驻的电商平台购买所述风控系统提供的风险提示服务，然后再由入驻商户想电商平台订购风险提示。

对于所述电商平台即为卖家的情形，所述电商平台服务器接收到所述风控系统服务器反馈的当前交易风险概率后，可以获知当前交易的风险概率。进而，所述电商平台可以根据提示的风险概率决定是否进行当前交易，例如是否达成交易、是否发货等。例如确定进行当前交易，则后续买家将完成付款的操作。在交易完成之后的一段时间内，如果买家在所述交易中产生了欺诈行为，例如买家非本人或非经授权的消费行为，之后真实买家向电商平台提起退款要求。这样，所述电商平台可以将该交易结果标记为有欺诈。

对于电商平台上入驻的商户为卖家的情形，所述电商平台服务器接收到所述风控系统服务器反馈的当前交易风险概率后，如果入驻商户在电商平台上订购了风险提示服务，电商平台服务器可以在提供的当前交易页面上显示所述风险概率。这样，所述商户可以获知当前交易的风险概率。进而，所述卖家可以根据提示的风险概率决定是否进行当前交易，例如是否达成交易、是否发货等。例如确定进行当前交易，则后续买家将完成付款的操作。在交易完成之后的一段时间内，如果买家在所述交易中产生了欺诈行为，例如买家非本人或非经授权的消费行为，之后真实买家向卖家和电商平台提起退款要求。这样，所述电商平台可以将该交易结果标记为有欺诈。

当然，如果在交易完成之后的一段时间内，并没有发生欺诈，则所述电商平台服务器可以将该交易结果标记为无欺诈，并可以将该交易结果发送至所述风控系统服务器。

此外，所述卖家可能收到风控系统服务器反馈的当前交易风险概率后，没有进行交易，而是中止了交易。这种情况，所述电商平台服务器可以将该交易结果标记为中止，并可以将该交易结果发送至所述风控系统服务器。

S350：所述风控系统服务器根据所述当前交易结果及所述风险等级确定佣金额度。

所述风控系统服务器接收到所述电商平台服务器发送的当前交易的结果后，可以根据所述当前交易结果及所述风险概率确定该笔交易的风险提示服务所收取的佣金额度。

具体的，可以包括以下方式中的任一种或几种的组合：

所述风险等级为高风险等级，而所述当前交易结果为有欺诈，则可以将佣金额度确定为第一额度；该情况相当于所述风控系统服务器给出了相对正确的的风险提示，而卖家仍然进行交易，且交易结果如风险提示，确实产生了欺诈。

所述风险等级为高风险等级，而所述当前交易结果为中止交易，则可以将佣金额度确定为第二额度；该情况相当于所述风控系统服务器给出了相对正确的的风险提示，而卖家采纳了风险提示及时中止了交易，避免了损失。这种情况，第二额度可以与第一额度相同或相近。

所述风险等级为高风险等级，而所述当前交易结果为无欺诈，则可以将佣金额度确定为第三额度；实际上，这种情况相当于所述风控系统服务器给出了错误的风险提示，而卖家自主达成交易且没有发生欺诈。这种情况，第三额度应明显小于第一额度。甚至，第三额度可以为0或负值。负值可以表示不仅不收取卖家佣金，且由所述风控系统赔付一定额度的现金(或等价物)给所述卖家。

所述风险等级为低风险等级，而所述当前交易结果为有欺诈，则可以将佣金额度确定为第四额度。实际上，该情况相当于所述风控系统服务器给出了错误的风险提示，而卖家基于风险提示达成交易后，发生欺诈。这种情况，第四额度应明显小于第一额度。甚至，第四额度可以为0或负值。负值可以表示不仅不收取卖家佣金，且由所述风控系统赔付一定额度的现金(或等价物)给所述卖家。

所述风险等级为低风险等级，而所述当前交易结果为无欺诈，则可以将佣金额度确定为第五额度。该情况相当于所述风控系统服务器给出了相对正确的的风险提示。第五额度可以与第一额度相同或相近，当然，第五额度也可以明显高于第一额度。这里并不限定。

所述风险等级为低风险等级，而所述当前交易结果为中止交易，则可以将佣金额度确定为第六额度。该情况相当于所述风控系统服务器给出了相对正确的的风险提示，但卖家处于某种原因并未进行交易。第六额度可以与第一额度相同或相近。

由以上本申请实施例，所述风控系统服务器计算所述当前交易的风险概率并反馈至电商平台服务器，并从所述电商平台服务器接收当前交易的结果，之后根据所述当前交易结果及所述风险概率确定佣金额度，这样，电商平台或商户可以针对每次交易的风险作出自己的判断。从而，所述风控系统服务器在确定佣金额度时可以考虑当前交易结果及之前给出的风险概率，这种定价方式更加合理。

以下介绍本申请一种风控系统服务器实施例，如图4所示，包括：

数据获取单元410，用于从电商平台服务器获得当前交易数据

计算单元420，用于利用当前交易数据并基于大数据计算所述当前交易的风险概率；

反馈单元430，用于将所述风险概率反馈至电商平台服务器；

交易结果接收单元440，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元450，用于根据所述当前交易结果及所述风险概率确定佣金额度。

所述当前交易的相关数据可以包括卖家数据、买家数据。

所述买家数据可以包括设备环境、交易数据、银行数据中的一项或多项。

所述设备环境可以包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本中的一项或多项。

所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话中的一项或多项。

所述银行数据可以包括支付银行代号，账户名，支付账单地址中的一项或多项。

所述卖家数据可以包括商户类型，商户注册时间中的一项或多项。

所述卖家可以包括电商平台或入驻电商平台的商户。

所述交易结果可以包括有欺诈、无欺诈和中止交易。

所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度，可以包括以下方式中的任一种或几种的组合：

所述风险概率为预设的高概率，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第一额度；

所述风险概率为预设的高概率，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第二额度；

所述风险概率为预设的高概率，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第三额度；

所述风险概率为预设的低概率，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第四额度；

所述风险概率为预设的低概率，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第五额度；

所述风险概率为预设的低概率，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第六额度。

第三额度可以小于第一额度和第二额度；

第四额度可以小于第一额度和第二额度。

所述第三额度、第四额度可以为0或负值。

以下介绍本申请一种风控系统服务器实施例，如图5所示，包括：

数据获取单元510，用于从电商平台服务器获得当前交易数据；

计算单元520，用于利用当前交易数据并基于大数据计算所述当前交易的风险概率；

转化单元530，用于按照预定规则将所述风险概率转化为风险等级；

反馈单元540，用于将所述风险等级反馈至电商平台服务器；

交易结果接收单元550，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元560，用于根据所述当前交易结果及所述风险等级确定佣金额度。

所述当前交易的相关数据可以包括卖家数据、买家数据。

所述买家数据可以包括设备环境、交易数据、银行数据中的一项或多项。

所述设备环境可以包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本中的一项或多项。

所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话中的一项或多项。

所述银行数据可以包括支付银行代号，账户名，支付账单地址中的一项或多项。

所述卖家数据可以包括商户类型，商户注册时间中的一项或多项。

所述卖家可以包括电商平台或入驻电商平台的商户。

所述交易结果可以包括有欺诈、无欺诈和中止交易。

所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度，可以包括以下方式中的任一种或几种的组合：

所述风险概率为高风险等级，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第一额度；

所述风险概率为高风险等级，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第二额度；

所述风险概率为高风险等级，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第三额度；

所述风险概率为低风险等级，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第四额度；

所述风险概率为低风险等级，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第五额度；

所述风险概率为低风险等级，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第六额度。

第三额度可以小于第一额度和第二额度；

第四额度可以小于第一额度和第二额度。

所述第三额度、第四额度可以为0或负值。

所述风控系统服务器按照预定规则将所述风险概率转化为风险等级，可以包括：

所述风控系统服务器采用聚类算法将所述风险概率转化为风险等级。

所述聚类算法可以包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、MicrochipPIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (29)

1.一种风险控制系统的计费方法，其特征在于，包括：

风控系统服务器从电商平台服务器获得当前交易数据；

所述风控系统服务器利用当前交易数据，并基于机器学习算法计算所述当前交易的风险概率；

所述风控系统服务器将所述风险概率反馈至电商平台服务器；

所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果；

所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度。

2.如权利要求1所述的计费方法，其特征在于，所述当前交易的相关数据包括卖家数据、买家数据。

3.如权利要求2所述的计费方法，其特征在于，所述买家数据包括设备环境、交易数据、银行数据中的一项或多项。

4.如权利要求3所述的计费方法，其特征在于，所述设备环境包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本中的一项或多项。

5.如权利要求3所述的计费方法，其特征在于，所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话中的一项或多项。

6.如权利要求3所述的计费方法，其特征在于，所述银行数据包括支付银行代号，账户名，支付账单地址中的一项或多项。

7.如权利要求2所述的计费方法，其特征在于，所述卖家数据包括商户类型，商户注册时间中的一项或多项。

8.如权利要求2所述的计费方法，其特征在于，所述卖家包括电商平台或入驻电商平台的商户。

9.如权利要求2所述的计费方法，其特征在于，所述交易结果包括有欺诈、无欺诈和中止交易。

10.如权利要求1所述的计费方法，其特征在于，所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度，包括以下方式中的任一种或几种的组合：

所述风险概率为预设的高概率，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第一额度；

所述风险概率为预设的高概率，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第二额度；

所述风险概率为预设的高概率，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第三额度；

所述风险概率为预设的低概率，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第四额度；

所述风险概率为预设的低概率，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第五额度；

所述风险概率为预设的低概率，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第六额度。

11.如权利要求10所述的计费方法，其特征在于：

第三额度小于第一额度和第二额度；或，

第四额度小于第一额度和第二额度。

12.如权利要求10所述的计费方法，其特征在于，所述第三额度、第四额度为0或负值。

13.如权利要求10所述的计费方法，其特征在于，所述机器学习算法包括决策树算法、逻辑回归算法、GBDT算法或深度学习算法。

14.一种风险控制系统的计费方法，其特征在于，包括：

风控系统服务器从电商平台服务器获得当前交易数据；

所述风控系统服务器利用当前交易数据，并基于机器学习算法计算所述当前交易的风险概率；

所述风控系统服务器按照预定规则将所述风险概率转化为风险等级，并将所述风险等级反馈至电商平台服务器；

所述风控系统服务器接收所述电商平台服务器发送的当前交易的结果；

所述风控系统服务器根据所述当前交易结果及所述风险等级确定佣金额度。

15.如权利要求14所述的计费方法，其特征在于，所述当前交易的相关数据包括卖家数据、买家数据。

16.如权利要求15所述的计费方法，其特征在于，所述买家数据包括设备环境、交易数据、银行数据中的一项或多项。

17.如权利要求16所述的计费方法，其特征在于，所述设备环境包括操作系统类型，浏览器类型，IP地址，是否是代理IP，时区，软件版本中的一项或多项。

18.如权利要求17所述的计费方法，其特征在于，所述交易数据可以包括卡商品ID，商品类型，商品数量，订单号，收货地址，收货电话中的一项或多项。

19.如权利要求16所述的计费方法，其特征在于，所述银行数据包括支付银行代号，账户名，支付账单地址中的一项或多项。

20.如权利要求15所述的计费方法，其特征在于，所述卖家数据包括商户类型，商户注册时间中的一项或多项。

21.如权利要求15所述的计费方法，其特征在于，所述卖家包括电商平台或入驻电商平台的商户。

22.如权利要求15所述的计费方法，其特征在于，所述交易结果包括有欺诈、无欺诈和中止交易。

23.如权利要求14所述的计费方法，其特征在于，所述风控系统服务器根据所述当前交易结果及所述风险概率确定佣金额度，包括以下方式中的任一种或几种的组合：

所述风险概率为高风险等级，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第一额度；

所述风险概率为高风险等级，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第二额度；

所述风险概率为高风险等级，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第三额度；

所述风险概率为低风险等级，所述当前交易结果为有欺诈，则所述风控系统服务器将佣金额度确定为第四额度；

所述风险概率为低风险等级，所述当前交易结果为无欺诈，则所述风控系统服务器将佣金额度确定为第五额度；

所述风险概率为低风险等级，所述当前交易结果为中止交易，则所述风控系统服务器将佣金额度确定为第六额度。

24.如权利要求23所述的计费方法，其特征在于：

第三额度小于第一额度和第二额度；或，

第四额度小于第一额度和第二额度。

25.如权利要求23所述的计费方法，其特征在于，所述第三额度、第四额度为0或负值。

26.如权利要求23所述的计费方法，其特征在于，所述风控系统服务器按照预定规则将所述风险概率转化为风险等级，包括：

所述风控系统服务器采用聚类算法将所述风险概率转化为风险等级。

27.如权利要求26所述的计费方法，其特征在于，所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。

28.一种风控系统服务器，其特征在于，包括：

数据获取单元，用于从电商平台服务器获得当前交易数据

计算单元，用于利用当前交易数据并基于机器学习算法计算所述当前交易的风险概率；

反馈单元，用于将所述风险概率反馈至电商平台服务器；

交易结果接收单元，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元，用于根据所述当前交易结果及所述风险概率确定佣金额度。

29.一种风控系统服务器，其特征在于，包括：

数据获取单元，用于从电商平台服务器获得当前交易数据

计算单元，用于利用当前交易数据并基于机器学习算法计算所述当前交易的风险概率；

转化单元，用于按照预定规则将所述风险概率转化为风险等级；

反馈单元，用于将所述风险等级反馈至电商平台服务器；

交易结果接收单元，用于接收所述电商平台服务器发送的当前交易的结果；

确定单元，用于根据所述当前交易结果及所述风险等级确定佣金额度。