CN108133372B - 评估支付风险的方法及装置 - Google Patents

Abstract

本说明书实施例提供一种评估支付风险的方法和装置，所述方法包括：接收服务方响应于用户的下单请求而发送的、用于请求评估用户账户的支付风险的评估请求；获取根据用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。所述装置与上述方法对应。以上方法和装置可以更有效地对支付风险进行评估。

Description

评估支付风险的方法及装置

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及确定支付风险的方法及装置。

背景技术

随着互联网技术的发展，人们越来越多地使用各种基于网络的服务，也越来越多地采用移动支付手段进行支付，例如各种电子钱包。为了提升用户体验，一些基于网络服务的商户还推出了先享后付服务。在先享后付服务的场景下，用户需要将第三方的电子钱包账户与商户账户进行绑定，并签订代扣协议。当用户购买商户的先享后付类的产品或服务时，只需要下单即可获得所需产品或服务，而商户会在用户接收到产品或服务之后，直接向第三方电子钱包发起扣款请求，进行消费记账，而不需要用户输入密码，从而提高用户体验。

然而，在提高用户体验的同时，提供先享后付服务的商户却面临着一定的支付风险。欺诈分子有可能利用先享后付的模式恶意逃避支付。例如，有些欺诈分子会利用没有钱或只有少量余额的电子钱包账户与商户签订代扣协议，在商户处购买先享后付类的产品或服务。而当商户向电子钱包平台请款时，就会发生扣款失败，产生资金损失。还有些欺诈分子在下单成功后进行删除代扣协议、注销账户等操作，这同样使得商户的扣款请求失败，产生资金损失。

因此，需要改进的方法，评估和防范先享后付模式下的支付风险。

发明内容

本说明书一个或多个实施例描述了一种方法和装置，更有效更准确地评估先享后付类产品或服务的支付过程中的支付风险。

根据第一方面，提供了一种评估支付风险的方法，包括：接收服务方响应于用户的下单请求而发送的评估请求，所述评估请求用于请求评估用户账户的支付风险；获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。

根据第二方面，提供一种评估支付风险的装置，包括：接收单元，配置为接收服务方响应于用户的下单请求而发送的评估请求，所述评估请求用于请求评估用户账户的支付风险；基础评估单元，配置为获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；定制评估单元，配置为获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；风险确定单元，配置为根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的方法及装置，全面考量用户账户的历史信息、当前状态信息以及与服务方相关联的操作信息来确定支付风险。如此评估得出的支付风险更加准确也更有针对性，可以帮助服务方降低或避免与支付风险相关的资金损失。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出本说明书披露的一个实施例的应用场景示意图；

图2示出根据一个实施例的方法的流程图；

图3示出根据一个实施例的确定基础评估信息的子步骤；

图4示出根据一个实施例的确定支付方式的方法流程图；

图5示出根据一个实施例的评估装置的示意框图；

图6示出根据一个实施例的确定支付方式的装置的示意框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的应用场景示意图。在图1的应用场景中，服务方为提供先享后付类产品或服务的商户，电子钱包平台为提供第三方支付的金融平台，例如支付宝应用平台。用户同时在电子钱包平台和服务方平台具有账户，并将电子钱包账户与商户账户进行了签约绑定，签订了代扣协议。根据说明书中的实施例，用户首先在服务方平台下单，请求先享后付类的产品或服务(步骤1)。服务方平台在接收到用户的下单请求之后，向电子钱包平台发送请求，请求验证和评估该用户的支付风险(步骤2)。电子钱包平台在接收到服务方的请求之后，根据用户账户的历史记录、当前状态，以及该用户账户针对该服务方的操作记录，评估该用户账户的支付风险(步骤3)。在确定出该用户账户的支付风险之后，电子钱包平台将评估的支付风险返回给服务方(步骤4)，使得服务方可以根据该支付风险来决定该用户所适用的付费方式(步骤5)。接着，服务方可以将该用户适用的付费方式返回给用户(步骤6)。相应地，用户根据适用的付费方式进行支付(步骤7)。服务方根据用户的支付方式向电子钱包平台发起扣款请求(步骤8)，电子钱包平台响应于该请求，对用户账户进行扣款，并向服务方返回支付结果(步骤9)。如此，电子钱包平台通过对用户的支付风险进行评估，使得服务方可以据此决定该用户适用的支付方式，从而降低或避免了服务方由支付风险带来的可能的资金损失。

在以上过程中，在步骤3，为了对用户账户的支付风险进行全面评估，电子钱包平台采用说明书中的实施例，根据多方面的参数和因素来确定支付风险，包括根据用户账户的历史记录、当前状态评估支付风险，还根据该用户账户针对该服务方的操作记录评估该用户账户的支付风险。下面对上述评估方法进行进一步描述。

图2示出根据一个实施例的评估支付风险的方法的流程图。该方法的执行主体可以为具有处理和计算能力的、提供第三方支付的金融平台，例如电子钱包平台。更具体地，可以是电子钱包的服务器，例如支付宝服务器。如图2所示，该方法包括：步骤S21，接收服务方响应于用户的下单请求而发送的评估请求，所述评估请求用于请求评估用户账户的支付风险；步骤S22，获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；步骤S23，获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；步骤S24，根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。下面结合具体例子描述以上实施例的方法。

首先，在步骤S21，接收服务方响应于用户的下单请求而发送的、请求评估用户账户的支付风险的评估请求。可以理解，服务方可以在接收到用户的下单请求之后，接受该订单之前，可以首先向电子钱包平台发送评估请求，以请求对该用户账户的支付风险进行评估。在一个实施例中，上述评估请求中包含有服务方ID。一般地，由于用户与该服务方签订有代扣协议，因此服务方已获知用户在电子钱包平台的账户，并可以将该账户ID包含在评估请求中，以请求评估。相应地，电子钱包平台在接收到这样的评估请求后，可以从中提取出用户的账户ID，根据该账户ID，获取相关信息，从而对该用户账户进行评估。

为了进行全面评估，在步骤S22，获取根据用户账户的账户信息确定的基础评估信息。上述所述账户信息可以包括所述用户账户的历史信息和当前状态信息。图3示出根据一个实施例的确定基础评估信息的子步骤。如图3所示，确定基础评估信息可以包括：步骤S221，获取根据用户账户的历史信息确定的第一评估信息；步骤S222，根据用户账户的当前状态信息确定第二评估信息；步骤S223，根据第一评估信息和第二评估信息，确定所述基础评估信息。下面具体描述以上过程。

在步骤S221，获取根据用户账户的历史信息确定的第一评估信息。上述历史信息用于反映用户账户的注册和使用历史，相应地，据此确定的第一评估信息是与用户账户的历史信息相关联的评估信息。

根据一种实施方式，上述历史信息可以包括，用户账户的基本信息，所述基本信息包括以下中的至少一项：所述用户账户的注册时间、注册时长、操作频率、账户等级等。相应地，在一个实施例中，获取第一评估信息的步骤S221可以包括，首先根据上述基本信息确定用户账户的成熟度，根据用户账户的成熟度确定第一评估信息。

在一个例子中，可以根据基本信息中的一项或者多项，对成熟度进行打分。例如，注册时间越早，注册时长越长，用户账户的成熟度分数越高；或者，操作频率越高，成熟度分数越高；或者，账户等级越高，成熟度分数越高。

在确定成熟度分数的基础上，基于该成熟度确定第一评估信息，由此确定的第一评估信息包括与用户账户的成熟度相关的风险评估信息。在一个实施例中，第一评估信息体现为风险分数的形式，此处称为第一风险分数。风险分数越高，表明用户账户可能的支付风险越高。在这样的设定下，较高的成熟度分数对应于较低的第一风险分数。可以理解，除了体现为风险分数的形式之外，第一评估信息还可以体现为其他形式，例如风险等级、风险状态描述等等。对于其他形式的评估信息，可以采用对应的方式，根据成熟度确定出对应的第一评估信息。

在一个实施例中，可以采用机器学习模型，基于上述基本信息确定成熟度分数，并基于成熟度确定第一风险分数，或者直接基于输入的基本信息确定第一评估信息。可以理解，上述机器学习模型包括一系列的逻辑算法和/或神经网络，通过反复的训练，根据输入的基本信息，确定用户账户的成熟度分数，或直接确定第一评估信息。在一个例子中，采用无监督的模型进行建模，确定第一评估信息。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上的基本信息对成熟度进行打分，进而确定第一评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。

在一个实施例中，以上根据基本信息确定用户账户的成熟度，并根据该成熟度确定第一评估信息的步骤可以在接收到服务方的评估请求后，现场进行计算。

在另一实施例中，由于用户账户的成熟度基于用户账户的基本历史信息而确定，因此可以离线计算该成熟度，以及对应的第一评估信息。例如，可以在电子钱包平台中，每隔预定时间间隔计算和更新一次与成熟度相关的数据。例如，可以每天，每3天，甚至每周更新一次成熟度分数，以及相应的第一风险分数。对应地，在接收到服务方的评估请求时，在步骤S221，只需要读取已经计算并存储的成熟度数据和第一风险分数，由此获得第一评估信息。

根据一种实施方式，步骤S221中的历史信息还可以包括，用户账户的历史交易信息，所述历史交易信息包括以下中的至少一项：使用所述用户账户进行交易的交易次数，交易金额，交易频率，交易涉及的商户数目，交易涉及的商户分布等。

相应地，根据一个实施例，获取第一评估信息的步骤S221可以包括，首先根据上述历史交易信息确定用户账户的交易活跃度，根据该交易活跃度确定第一评估信息。

在一个例子中，可以根据历史交易信息中的一项或者多项，对交易活跃度进行打分。例如，交易次数越多，交易频率越大，用户账户的交易活跃度分数越高；或者，交易金额越高，交易活跃度分数越高；或者，交易涉及的商户数目越多，商户分布的类别越多，交易活跃度分数越高。

在确定交易活跃度分数的基础上，基于该交易活跃度确定第一评估信息，由此确定的第一评估信息包括与用户账户的交易活跃度相关的风险评估信息。在第一评估信息体现为第一风险分数的情况下，较高的交易活跃度分数对应于较低的第一风险分数。对于其他形式的评估信息，可以采用对应的方式，根据交易活跃度确定出对应的第一评估信息。

在一个实施例中，可以采用机器学习模型，基于上述历史交易信息确定交易活跃度分数，进而确定第一风险分数，或者基于上述历史交易信息直接确定出第一风险分数。在一个例子中，采用无监督的模型进行建模，确定第一风险分数。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上的历史交易信息对交易活跃度进行打分，进而确定第一评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。在一个实施例中，上述机器学习模型还包括长短期记忆网络LSTM模型。在该模型下，将历史交易信息整理为交易序列作为LSTM的输入，以用于确定第一评估信息。

在一个实施例中，以上根据历史交易信息确定用户账户的交易活跃度，并根据该交易活跃度确定第一评估信息的步骤可以在接收到服务方的评估请求后，现场进行计算。

在另一实施例中，可以离线计算该交易活跃度，以及对应的第一评估信息。例如，可以在电子钱包平台中，每隔预定时间间隔计算和更新一次与交易活跃度相关的数据。对应地，在接收到服务方的评估请求时，在步骤S22，只需要读取已经计算并存储的交易活跃度数据和第一风险分数，由此获得第一评估信息。

根据一种实施方式，步骤S221中的历史信息还可以包括，用户账户的资金渠道信息，所述资金渠道信息包括以下中的至少一项：与所述用户账户相关联的各个资金渠道的渠道数目，各个资金渠道的资金流入额，资金流出额，资金变动频率等。可以理解，一般地，电子钱包的用户账户会关联多个资金渠道，例如余额，绑定的银行卡，信用额度，红包等等。用户可以选择性地采用各种资金渠道进行消费或交易。

相应地，根据一个实施例，获取第一评估信息的步骤S221可以包括，首先根据上述资金渠道信息确定用户账户的资金渠道稳定性，根据该资金渠道稳定性确定第一评估信息。

在一个例子中，可以根据资金渠道信息中的一项或者多项，对资金渠道稳定性进行打分。例如，资金流入额和/或资金流出额越大，用户账户的资金渠道稳定性分数越高；或者，资金变动频率越大，资金渠道稳定性分数越高。

在确定资金渠道稳定性的基础上，基于该资金渠道稳定性确定第一评估信息。在第一评估信息体现为第一风险分数的情况下，较高的资金渠道稳定性分数对应于较低的第一风险分数。对于其他形式的评估信息，可以采用对应的方式，根据资金渠道稳定性确定出对应的第一评估信息。

在一个实施例中，可以采用机器学习模型，基于上述资金渠道信息确定资金渠道稳定性分数，进而确定第一风险分数，或者基于上述资金渠道信息直接确定出第一评估信息。在一个例子中，采用无监督的模型进行建模，确定第一风险分数。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上的资金渠道信息对资金渠道稳定性进行打分，进而确定第一风险分数。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。

在一个实施例中，以上根据资金渠道信息确定用户账户的资金渠道稳定性，并根据该资金渠道稳定性确定第一评估信息的步骤可以在接收到服务方的评估请求后，现场进行计算。

在另一实施例中，可以离线计算该资金渠道稳定性，以及对应的第一评估信息。例如，可以在电子钱包平台中，每隔预定时间间隔计算和更新一次与资金渠道稳定性相关的数据。对应地，在接收到服务方的评估请求时，在步骤S22，只需要读取已经计算并存储的资金渠道稳定性数据和第一风险分数，由此获得第一评估信息。

尽管以上举例了多种历史信息，以及根据历史信息确定评估信息的方式，但是可以理解，在阅读本说明书的情况下，本领域技术人员可以基于更多种的历史信息，采用更多种方式来评估用户账户的支付风险。这些实施方式均应囊括在本说明书实施例的构思之中。

对于以上举例的账户成熟度、交易活跃度和资金渠道稳定性这三项指标，在一个实施例中，可以从中选择其中的一项或多项来确定第一评估信息。在选择多项，例如全部三项的情况下，可以根据各个指标确定对应的第一风险分数，并对得到的多个第一风险分数进行聚合，得到综合的第一风险分数作为第一评估信息；或者也可以采用进一步的算法模型，直接根据这三项指标，确定出综合的第一评估信息。

除了获取与用户账户的历史信息相关联的第一评估信息，在步骤S222，还获取用户账户的当前状态信息，并根据所述当前状态信息，确定第二评估信息。上述当前状态信息用于反映用户账户的当前状态，包括使用状态，资金状态，异常状态等，相应地，据此确定的第二评估信息是与用户账户的当前状态相关联的风险评估信息。

根据一种实施方式，所述当前状态信息包括当前资金状态，所述当前资金状态包括用户的下单请求所对应的请求金额，以及与所述用户账户相关联的各个资金渠道的当前支付上限。相应地，步骤S222中获取用户账户的当前状态信息包括，获取下单请求所对应的请求金额，以及获取各个资金渠道的当前支付上限。

在一个实施例中，下单请求对应的请求金额在用户下单时即为确定金额，例如用户下单购买特定虚拟商品。相应地，服务方可以在发送的评估请求中包含该请求金额。在这样的情况下，在步骤S222，可以从评估请求中直接提取出所述请求金额。在另一实施例中，下单请求对应的请求金额在下单时并不确定，例如用户使用打车服务平台呼叫出租车，请求金额(车费)需要在用户下车后才能确定。此时，服务方可以预估当前下单请求的请求金额，并类似地将该预估的请求金额包含在评估请求中。在又一实施例中，请求金额在下单时并不确定，服务方也不对此进行评估，而是在评估请求中包含用户的订单信息。在这样的情况下，在步骤S222，根据用户的订单信息预估当前的请求金额。在一个例子中，为了简化模型和计算，将当前下单请求的请求金额预估为可能的最低金额。例如，在打车服务的情况下，根据订单中用户的起点和目的地之间的距离，估算最低车费作为请求金额。在另一例子中，为了给支付金额留出余地，将当前请求的请求金额预估为可能的较高金额。例如，仍然在打车服务的情况下，可以假设道路处于最高级别拥堵状态，将此时起点和目的地之间的车费估值作为当前请求的请求金额。在又一例子中，根据同类型请求的平均额度预估当前的请求金额。

另一方面，在步骤S222中，还获取各个资金渠道的当前支付上限。如前所述，电子钱包的用户账户会关联多个资金渠道，例如余额，绑定的银行卡，信用额度，红包等等。各个资金渠道具有不同的支付上限。例如，余额的支付上限即为余额的金额，绑定的银行卡的支付上限取决于发卡行的规定以及用户自己的设定。比如借记卡的支付上限取决于该卡中的余额、用户设定的每日/每笔交易的最大限额和已用限额，以及发卡行的其他规定；信用卡的支付上限取决于该卡的信用额度和已用额度。相应地，可以根据各个资金渠道的限额、已用限额和特殊设定，获取各个资金渠道的当前支付上限。

接着，确定当前请求金额达到各个资金渠道的当前支付上限的概率。

在一个实施例中，当前请求金额为确定金额。此时，可以将该当前请求金额与各个资金渠道的支付上限进行比较，一旦超过某个资金渠道的支付上限，可以将该渠道对应的超支概率设为1，否则设为0。例如，假定当前请求金额为200元，用户账户的5个资金渠道的支付上限分别为T1＝1000元，T2＝100元，T3＝5000元，T4＝10元，T5＝200元，那么这5个资金渠道对应的超支概率可以分别确定为P1＝0，P2＝1，P3＝0，P4＝1，P5＝0。

在另一实施例中，当前请求金额为预估金额。此时，为了留有余地，可以将该当前请求金额与各个资金渠道的支付上限的比例作为对应概率，并且将比例大于1的均设定为1。在以上5个资金渠道的例子中，假定当前请求金额预估为200元，在该实施例中，可以将这5个资金渠道对应的概率分别确定为P1＝0.2,P2＝1,P3＝0.04,P4＝1,P5＝1。

在一个实施例中，还确定当前请求金额达到所有资金渠道的总支付上限的概率。

在获得以上概率的基础上，在步骤S222，根据当前请求金额达到各个资金渠道的当前支付上限的概率，确定第二评估信息。在一个实施例中，第二评估信息体现为风险分数的形式，此处称为第二风险分数。在这样的设定下，当前请求金额达到各个资金渠道的当前支付上限的概率越高，第二风险分数越高，预示的支付风险也越高。对于其他形式的评估信息，可以采用对应的方式，根据请求金额达到各个资金渠道的当前支付上限的概率确定出对应的第二评估信息。

在一个实施例中，可以采用机器学习模型，基于当前资金状态确定第二评估信息。可以理解，上述机器学习模型包括一系列的逻辑算法和/或神经网络，通过反复的训练，根据输入的当前资金状态，确定第二风险分数。在一个例子中，采用无监督的模型进行建模，确定第二风险分数。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上的当前资金状态信息确定第二风险分数，得到第二评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。

此外，根据一种实施方式，步骤S222获取的当前状态信息还可以包括，异常状态的检测信息，即对预定时间内的账户异常操作进行检测的检测信息，所述账户异常操作包括以下中的至少一项：超出预设金额阈值的资金转出、解绑银行卡、换绑银行卡、注销账户等。相应地，步骤S222中获取用户账户的当前状态信息包括，对预定时间内的账户异常操作进行检测。更具体而言，上述预定时间为距离当前时刻较短的时间段，例如10min或5min之内。由于该预定时间被设定为较短的时间，因此对该段时间内账户异常操作的检测相当于实时或准实时的检测，检测结果可以反映出用户账户当前是否处于异常状态。

基于对预定时间内的账户异常操作进行检测的检测信息，在步骤S222，根据这样的检测信息确定第二评估信息。在一个实施例中，第二评估信息可以体现为第二风险分数的形式。此时，如果检测结果显示，用户存在预定时间内的账户异常操作，那么可以将第二风险分数设置为较高的分数。例如，如果在下单前(即预定时间内)突然大规模地转出5000元(例如超出预设金额阈值1000元)，那么可以认定存在账户异常操作。或者，用户在下单前解绑或者换绑了银行卡，甚至注销了电子钱包的账户，这样的操作均被认定为账户异常操作。在一个实施例中，为不同的账户异常操作设置不同的异常指数或权重，例如注销账户被认定为最为高危的账户异常操作，该项操作的异常指数可以设置为5；解绑银行卡的异常指数可以设置为4，超出预设金额阈值的转账的异常指数可以设置为3，换绑银行卡的异常指数可以设置为2。由此，根据检测结果，可以确定用户账户的综合异常指数，根据综合异常指数确定第二风险分数。例如，综合异常指数越高，第二风险分数也越高。对于其他形式的评估信息，例如风险等级、风险状态描述等，可以采用对应的方式，根据账户异常操作的检测结果确定出对应的第二评估信息。

在一个实施例中，可以采用机器学习模型，基于当前异常状态的检测结果确定第二评估信息。在一个例子中，采用无监督的模型进行建模，确定第二风险分数。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上对账户异常操作的检测结果确定第二风险分数，得到第二评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。在一个实施例中，上述机器学习模型还包括长短期记忆网络LSTM模型。在该模型下，将账户异常操作的检测信息整理为操作序列作为LSTM的输入，以用于确定第二评估信息。

尽管以上举例了多种当前状态信息，以及根据当前状态信息确定评估信息的方式，但是可以理解，在阅读本说明书的情况下，本领域技术人员可以基于更多种的当前状态信息，采用更多种方式来评估用户账户的支付风险。这些实施方式均应囊括在本说明书实施例的构思之中。

对于以上举例的资金渠道稳定性和账户异常指数这样的指标甚至更多种与当前状态信息相关的指标，在一个实施例中，可以从中选择其中一项或多项来确定第二评估信息。在选择多项的情况下，可以根据各个指标确定对应的第二风险分数，并对得到的多个第二风险分数进行聚合，得到综合的第二风险分数作为第二评估信息；或者也可以采用进一步的算法模型，直接根据多项指标，确定出综合的第二评估信息。

对比第一评估信息和第二评估信息的获取过程可以理解，第一评估信息基于用户账户的历史信息而确定，因此既可以预先离线计算并存储，也可以在接收到服务方的评估请求后现场计算。而第二评估信息基于用户账户的当前状态信息而确定，因此需要在接收到评估请求后现场计算，以确保信息的实时更新。同时，第一评估信息和第二评估信息都是仅依赖于用户账户本身的信息，并不因支付场景不同、对方商户不同而变化。相应地，在步骤S223，将第一评估信息和第二评估信息聚合，由此确定用户账户的基础评估信息。

根据一种实施方式，除了获取上述基础评估信息之外，还针对性地获取与服务方(即商户)相关的信息进行支付风险的评估。即，在步骤S23，获取用户账户针对所述服务方的操作记录；并根据所述操作记录，确定针对服务方的定制评估信息。因此，与以上的基础评估信息相对照地，定制评估信息是与服务方相关联的“个性化”的评估信息，会因为支付场景不同、对方商户不同而变化。

在一个实施例中，上述用户账户针对所述服务方的操作记录包括，针对与服务方相关联的代扣协议的协议操作记录。相应地，在步骤S23，检测针对所述代扣协议的协议操作记录，特别是协议异常操作记录。针对代扣协议的协议异常操作可以包括，解绑代扣协议的操作，针对代扣协议的限额操作等。在一些情况下，这些协议操作可以由用户在电子钱包平台单方面进行，而不被服务方所知晓，因此需要在风险评估过程中考虑这一因素，并反馈给服务方。

相应地，在步骤S23，根据协议操作记录的检测结果，确定定制评估信息。特别是，基于检测结果中显示的协议异常操作，确定定制评估信息。在一个实施例中，定制评估信息可以体现为定制风险分数的形式。此时，如果检测结果显示，用户存在针对代扣协议的协议异常操作，那么可以将定制风险分数设置为较高的分数。例如，如果用户解绑了代扣协议，或对代扣协议进行了限额，那么可以认定存在协议异常操作。在一个实施例中，为不同的协议异常操作设置不同的异常指数或权重，根据检测结果，确定用户账户针对代扣协议的协议异常指数，根据协议异常指数确定定制风险分数。例如，协议异常指数越高，定制风险分数也越高。对于其他形式的评估信息，可以采用对应的方式，根据协议操作记录确定出对应的定制评估信息。

在一个实施例中，可以采用机器学习模型，基于协议操作记录确定定制评估信息。在一个例子中，采用无监督的模型进行建模，确定定制风险分数。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上对协议操作记录的检测结果确定定制风险分数，得到定制评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。在一个实施例中，上述机器学习模型还包括长短期记忆网络LSTM模型。在该模型下，将协议操作记录整理为操作序列作为LSTM的输入，以用于确定定制评估信息。

根据一种实施方式，上述用户账户针对所述服务方的操作记录包括，所述用户账户与所述服务方的支付记录。相应地，步骤S23可以包括，获取用户账户与所述服务方的支付记录，根据所述支付记录确定用户账户对该服务方的支付成功率，根据所述支付成功率确定所述定制评估信息。

具体而言，上述用户账户与所述服务方的支付记录可以包括，用户对该服务方进行预付费交易的支付记录，以及进行后付费交易的支付记录，各支付记录既包括支付成功的记录，也包括支付失败的记录。因此，通过这样的支付记录可以确定出，用户针对该服务方的支付成功率，该支付成功率包括预付费支付成功率，后付费支付成功率，以及综合成功率。可以理解，用户对该服务方的支付成功率可以表征用户对该服务方的信任度或偏好度。支付成功率越高，表明用户对该服务方的偏好度或信任度越高。

接着，可以基于这样的支付成功率确定定制评估信息。在一个实施例中，定制评估信息可以体现为定制风险分数的形式。此时，较高的支付成功率可以对应于较低的定制风险分数。对于其他形式的评估信息，可以采用对应的方式，根据支付成功率确定出对应的定制评估信息。

在一个实施例中，可以采用机器学习模型，基于用户账户与服务方的支付记录确定支付成功率，进而确定定制评估信息，或者根据支付记录直接确定定制评估信息。在一个例子中，采用无监督的模型进行建模，确定定制评估信息。在另一例子中，预先获取训练样本，并用训练样本对模型进行训练，采用有监督的模型进行建模，基于以上的支付记录确定定制风险分数，得到定制评估信息。在一个实施例中，上述机器学习模型包括卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN中的一种或多种结构。在一个实施例中，上述机器学习模型还包括长短期记忆网络LSTM模型。在该模型下，将支付记录整理为支付序列作为LSTM的输入，以用于确定定制评估信息。

尽管以上举例了多种针对服务方的操作记录，以及根据该操作记录确定评估信息的方式，但是可以理解，在阅读本说明书的情况下，本领域技术人员可以基于更多种的操作记录，采用更多种方式来评估用户账户的支付风险。这些实施方式均应囊括在本说明书实施例的构思之中。

对于以上举例的协议异常指数和支付成功率这样的指标甚至更多种基于与服务方相关的操作记录的指标，在一个实施例中，可以从中选择其中的一项或多项来确定定制评估信息。在选择多项的情况下，可以根据各个指标确定对应的定制风险分数，并对得到的多个定制风险分数进行聚合，得到综合的定制风险分数作为定制评估信息；或者也可以采用进一步的算法模型，直接根据多项指标，确定出综合的定制评估信息。

综合以上，在步骤S22，获取了根据用户账户的账户信息确定的基础评估信息；在步骤S23，根据针对服务方的操作记录确定了定制评估信息。在如上获取了基础评估信息和定制评估信息的基础上，在步骤S24，根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。

在一个实施例中，将基础评估信息和定制评估信息进行聚合，根据聚合的结果确定用户账户的支付风险。更具体地，在一个例子中，以上基础评估信息和定制评估信息体现为风险分数的形式。在这样的情况下，可以通过加权求和的方式进行聚合，也就是为各个风险分数赋予不同的权重，并根据权重进行求和，将加权求和的结果作为最终的支付风险分数。还可以采用取最大值、取平均值等方式，根据各个风险分数确定最终的支付风险分数。在评估信息采取其他形式的情况下，例如体现为风险等级、风险信息描述等，可以采用对应的方式对评估信息进行聚合，得到最终的支付风险。例如，可以根据预设规则将风险等级或风险信息描述转化为风险分数，然后进行聚合计算；或者直接对风险等级进行聚合，或者直接对风险信息描述进行汇总。

在一个实施例中，采用机器学习模型，对以上的基础和定制评估信息进行聚合，从而得到用户的支付风险。该机器学习模型可以是有监督的模型或者无监督的模型，对输入的评估信息进行分析运算，得出用户账户的支付风险。

如此得出的支付风险全面考量了用户账户的历史信息、当前状态信息以及与服务方相关联的操作信息，因此可以准确反映出本次下单操作的支付风险。基于如此评估得出的支付风险可以帮助服务方降低或避免与支付风险相关的资金损失。

与之对应地，说明书的实施例还提供一种确定支付方式的方法。图4示出根据一个实施例的确定支付方式的方法流程图，该方法可以由服务方来执行，特别是提供先享后付类服务或产品的服务方。如图4所示，该方法包括：步骤S41，接收用户的下单请求；步骤S42，响应于所述下单请求，向电子钱包平台发送评估请求，所述评估请求用于请求评估所述用户的用户账户的支付风险。需要理解的是，执行该方法的服务方可以在接收到用户的下单请求之后，接受该下单请求之前，向电子钱包平台发送评估请求，以评估其支付风险。

步骤S43，接收电子钱包平台发送的支付风险。其中，所述支付风险根据图2-图3的方法而确定。接着，在步骤S44，根据支付风险，确定所述下单请求对应的支付方式。例如，在支付风险大于或等于预设风险阈值的情况下，要求用户采用先付费方式进行支付；在支付风险小于预设风险阈值的情况下，允许用户先享后付，采用后付费方式进行支付。

根据另一方面的实施例，还提供一种评估支付风险的装置。图5示出根据一个实施例的评估装置的示意框图。如图5所示，该评估装置500包括：接收单元51，配置为接收服务方响应于用户的下单请求而发送的、请求评估用户账户的支付风险的评估请求；基础评估单元52，配置为获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；定制评估单元53，配置为获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定定制评估信息；风险确定单元54，配置为根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险。

在一个实施例中，上述基础评估单元52配置为，获取根据所述历史信息确定的第一评估信息，根据所述当前状态信息确定第二评估信息，并根据第一评估信息和第二评估信息确定基础评估信息。

在一个实施例中，上述历史信息包括所述用户账户的基本信息，所述基本信息包括以下中的至少一项：所述用户账户的注册时间、注册时长、操作频率、账户等级。相应地，基础评估单元52包括成熟度评估模块521，该成熟度评估模块521配置为，基于所述基本信息确定所述用户账户的成熟度，根据所述成熟度确定所述第一评估信息。

在一个实施例中，上述历史信息包括所述用户账户的历史交易信息，所述历史交易信息包括以下中的至少一项：使用所述用户账户进行交易的交易次数，交易金额，交易频率，交易涉及的商户数目，交易涉及的商户分布。相应地，基础评估单元52还包括活跃度评估模块522，该活跃度评估模块522配置为，基于所述历史交易信息确定所述用户账户的交易活跃度，根据所述交易活跃度确定所述第一评估信息。

在一个实施例中，上述历史信息包括所述用户账户的资金渠道信息，所述资金渠道信息包括以下中的至少一项：与所述用户账户相关联的各个资金渠道的资金流入额，资金流出额，资金变动频率。相应地，基础评估单元52还包括稳定性评估模块523，该稳定性评估模块523配置为，根据所述用户账户的资金渠道信息确定所述用户账户的资金渠道稳定性，根据所述资金渠道稳定性确定所述第一评估信息。

可以理解，成熟度评估模块521，活跃度评估模块522和稳定性评估模块523中的评估过程可以预先离线计算，也可以响应于接收单元51接收的评估请求而进行。

在一个实施例中，上述当前状态信息包括当前资金状态，所述当前资金状态包括下单请求所对应的请求金额，以及与所述用户账户相关联的各个资金渠道的当前支付上限。相应地，基础评估单元52进一步包括限额评估模块524，该限额评估模块524配置为，确定所述请求金额达到所述各个资金渠道的当前支付上限的概率，根据所述概率确定所述第二评估信息。

在一个实施例中，上述当前状态信息包括，对预定时间内的账户异常操作进行检测的检测信息，所述账户异常操作包括以下中的至少一项：超出预设金额阈值的资金转出、解绑银行卡、换绑银行卡、注销账户。相应地，基础评估单元52还包括异常操作评估模块525，该异常操作评估模块525配置为，根据所述检测信息，确定第二评估信息。

更具体地，在一个实施例中，上述账户异常操作中各项账户异常操作具有预设的异常指数，相应地，异常操作评估模块525进一步配置为，根据各项账户异常操作的异常指数，确定检测信息对应的综合异常指数，根据所述综合异常指数，确定第二评估信息。

在一个实施例中，定制评估单元53获取的操作记录包括针对与服务方相关联的代扣协议的协议操作记录。相应地，定制评估单元53包括协议操作评估模块531，该协议操作评估模块531配置为，根据所述协议操作记录确定所述定制评估信息。更具体地，所述协议操作记录包括协议异常操作记录，其中各项协议异常操作具有预设的异常指数，如此，协议操作评估模块531配置为，根据所述协议操作记录中各项协议异常操作的异常指数，确定所述用户账户针对所述服务方的协议异常指数，根据所述协议异常指数，确定所述定制评估信息。

在一个实施例中，上述操作记录包括所述用户账户与所述服务方的支付记录，相应地，定制评估单元53还包括成功率评估模块532，该成功率评估模块532配置为，根据所述用户账户与所述服务方的支付记录确定所述用户账户对所述服务方的支付成功率，根据所述支付成功率确定所述定制评估信息。

在一个实施例中，上述风险确定单元35配置为，将所述基础评估信息和定制评估信息加权聚合，根据聚合结果，确定所述用户账户的支付风险。

采用以上装置评估得出的支付风险全面考量了用户账户的历史信息、当前状态信息以及与服务方相关联的操作信息，因此可以准确反映出本次下单操作的支付风险。基于如此评估得出的支付风险可以帮助服务方降低或避免与支付风险相关的财产损失。

对应地，说明书实施例还提供一种确定支付方式的装置。图6示出根据一个实施例的确定支付方式的装置的示意框图。如图6所示，该装置600包括：第一接收单元61，配置为接收用户的下单请求；发送单元62，配置为响应于所述下单请求，向电子钱包平台发送评估请求，所述评估请求用于请求评估所述用户的用户账户的支付风险；第二接收单元63，配置为接收电子钱包平台发送的支付风险，所述支付风险通过图5所示的装置而确定；确定单元64，配置为根据所述支付风险，确定所述下单请求对应的支付方式。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (22)

1.一种评估支付风险的方法，包括：

接收服务方响应于用户的下单请求而发送的评估请求，所述评估请求用于请求评估用户账户的支付风险；

获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；

获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；

根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险；所述支付风险用于确定所述下单请求对应的支付方式。

2.根据权利要求1所述的方法，其中所述历史信息包括所述用户账户的基本信息，所述基本信息包括以下中的至少一项：所述用户账户的注册时间、注册时长、操作频率、账户等级；

所述基础评估信息根据所述用户账户的成熟度而确定，其中所述成熟度基于所述基本信息而确定。

3.根据权利要求1所述的方法，其中所述历史信息包括所述用户账户的历史交易信息，所述历史交易信息包括以下中的至少一项：使用所述用户账户进行交易的交易次数，交易金额，交易频率，交易涉及的商户数目，交易涉及的商户分布；

所述基础评估信息根据所述用户账户的交易活跃度而确定，其中所述交易活跃度基于所述历史交易信息而确定。

4.根据权利要求1所述的方法，其中所述历史信息包括所述用户账户的资金渠道信息，所述资金渠道信息包括以下中的至少一项：与所述用户账户相关联的各个资金渠道的资金流入额，资金流出额，资金变动频率；

所述基础评估信息根据所述用户账户的资金渠道稳定性而确定，其中所述资金渠道稳定性根据所述用户账户的资金渠道信息而确定。

5.根据权利要求1所述的方法，其中所述当前状态信息包括当前资金状态，所述当前资金状态包括所述下单请求对应的请求金额，以及与所述用户账户相关联的各个资金渠道的当前支付上限；

通过如下方式确定所述基础评估信息：确定所述请求金额达到所述各个资金渠道的当前支付上限的概率，根据所述概率确定所述基础评估信息。

6.根据权利要求1所述的方法，其中所述当前状态信息包括，对预定时间内的账户异常操作进行检测的检测信息，所述账户异常操作包括以下中的至少一项：超出预设金额阈值的资金转出、解绑银行卡、换绑银行卡、注销账户；

通过如下方式确定所述基础评估信息：根据所述检测信息，确定基础评估信息。

7.根据权利要求1到6中任一项所述的方法,其中所述协议操作记录包括协议异常操作记录，其中各项协议异常操作具有预设的异常指数，

所述根据所述操作记录，确定针对所述服务方的定制评估信息包括：根据所述协议操作记录中各项协议异常操作的异常指数，确定所述用户账户针对所述服务方的协议异常指数，根据所述协议异常指数，确定所述定制评估信息。

8.根据权利要求1到6中任一项所述的方法，其中所述根据所述操作记录，确定针对所述服务方的定制评估信息包括，根据所述用户账户与所述服务方的支付记录确定所述用户账户对所述服务方的支付成功率，根据所述支付成功率确定所述定制评估信息。

9.根据权利要求1所述的方法，其中确定所述用户账户的支付风险包括，将所述基础评估信息和定制评估信息加权聚合，根据聚合结果，确定所述用户账户的支付风险。

10.一种确定支付方式的方法，包括：

接收用户的下单请求；

响应于所述下单请求，向电子钱包平台发送评估请求，所述评估请求用于请求评估所述用户的用户账户的支付风险；

接收电子钱包平台发送的支付风险，所述支付风险根据权利要求1-9中任一项的方法而确定；

根据所述支付风险，确定所述下单请求对应的支付方式。

11.一种评估支付风险的装置，包括：

接收单元，配置为接收服务方响应于用户的下单请求而发送的评估请求，所述评估请求用于请求评估用户账户的支付风险；

基础评估单元，配置为获取根据所述用户账户的账户信息确定的基础评估信息，所述账户信息包括所述用户账户的历史信息和当前状态信息；

定制评估单元，配置为获取所述用户账户针对所述服务方的操作记录，所述操作记录包括针对与服务方相关联的代扣协议的协议操作记录，和/或所述用户账户与所述服务方的支付记录，根据所述操作记录，确定针对所述服务方的定制评估信息；

风险确定单元，配置为根据所述基础评估信息和定制评估信息，确定所述用户账户的支付风险；所述支付风险用于确定所述下单请求对应的支付方式。

12.根据权利要求11所述的装置，其中所述历史信息包括所述用户账户的基本信息，所述基本信息包括以下中的至少一项：

所述用户账户的注册时间、注册时长、操作频率、账户等级；

所述基础评估单元配置为，基于所述基本信息确定所述用户账户的成熟度，根据所述成熟度确定所述基础评估信息。

13.根据权利要求11所述的装置，其中所述历史信息包括所述用户账户的历史交易信息，所述历史交易信息包括以下中的至少一项：

使用所述用户账户进行交易的交易次数，交易金额，交易频率，交易涉及的商户数目，交易涉及的商户分布；

所述基础评估单元配置为，基于所述历史交易信息确定所述用户账户的交易活跃度，根据所述交易活跃度确定所述基础评估信息。

14.根据权利要求11所述的装置，其中所述历史信息包括所述用户账户的资金渠道信息，所述资金渠道信息包括以下中的至少一项：与所述用户账户相关联的各个资金渠道的资金流入额，资金流出额，资金变动频率；

所述基础评估单元配置为，根据所述用户账户的资金渠道信息确定所述用户账户的资金渠道稳定性，根据所述资金渠道稳定性确定所述基础评估信息。

15.根据权利要求11所述的装置，其中所述当前状态信息包括当前资金状态，所述当前资金状态包括所述下单请求对应的请求金额，以及与所述用户账户相关联的各个资金渠道的当前支付上限；

所述基础评估单元配置为，确定所述请求金额达到所述各个资金渠道的当前支付上限的概率，根据所述概率确定所述基础评估信息。

16.根据权利要求11所述的装置，其中所述当前状态信息包括，对预定时间内的账户异常操作进行检测的检测信息，所述账户异常操作包括以下中的至少一项：超出预设金额阈值的资金转出、解绑银行卡、换绑银行卡、注销账户；

所述基础评估单元配置为，根据所述检测信息，确定基础评估信息。

17.根据权利要求11到16中任一项所述的装置,其中所述协议操作记录包括协议异常操作记录，其中各项协议异常操作具有预设的异常指数，

所述定制评估单元配置为，根据所述协议操作记录中各项协议异常操作的异常指数，确定所述用户账户针对所述服务方的协议异常指数，根据所述协议异常指数，确定所述定制评估信息。

18.根据权利要求11到16中任一项所述的装置，其中所述操作记录包括所述用户账户与所述服务方的支付记录，

所述定制评估单元配置为，根据所述用户账户与所述服务方的支付记录确定所述用户账户对所述服务方的支付成功率，根据所述支付成功率确定所述定制评估信息。

19.根据权利要求11所述的装置，其中所述风险确定单元配置为，将所述基础评估信息和定制评估信息加权聚合，根据聚合结果，确定所述用户账户的支付风险。

20.一种确定支付方式的装置，包括：

第一接收单元，配置为接收用户的下单请求；

发送单元，配置为响应于所述下单请求，向电子钱包平台发送评估请求，所述评估请求用于请求评估所述用户的用户账户的支付风险；

第二接收单元，配置为接收电子钱包平台发送的支付风险，所述支付风险通过权利要求11-19中任一项的装置而确定；

确定单元，配置为根据所述支付风险，确定所述下单请求对应的支付方式。

21.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-10中任一项的所述的方法。

22.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项所述的方法。

Images