CN108932582A - 风险信息确定方法、装置、计算机设备和存储介质 - Google Patents
风险信息确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108932582A CN108932582A CN201810608088.3A CN201810608088A CN108932582A CN 108932582 A CN108932582 A CN 108932582A CN 201810608088 A CN201810608088 A CN 201810608088A CN 108932582 A CN108932582 A CN 108932582A
- Authority
- CN
- China
- Prior art keywords
- information
- similarity
- degree
- target
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0225—Avoiding frauds
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风险信息确定方法、装置、计算机设备和存储介质。方法包括:获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度;根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度;根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。采用本方法能够提高风险识别准确度。
Description
技术领域
本申请涉互联网技术领域,特别是涉及一种风险信息确定方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展,出现了很多基于网络平台的业务,例如,通过网络平台发放优惠劵或者进行抢购活动等,用户可以登录网络平台获取优惠劵或者进行抢购。
然而,网络平台在给广大用户带来便利性的同时,面临的欺诈也越来越严峻。例如,当在网络平台上发放优惠券时,存在通过获取大量的优惠券后再转手卖出的用户,导致网络平台损失严重而且如果大量的欺诈用户登录网络平台,会造成服务器压力大,服务器响应时间长。
发明内容
基于此,有必要针对上述技术问题,提供一种能够识别欺诈用户的风险信息确定方法、装置、计算机设备和存储介质。
一种风险信息确定方法,所述方法包括:获取当前用户对应的当前参数信息,所述当前参数信息包括所述当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;获取用户集合中各个目标用户对应的目标参数信息,所述目标参数信息包括所述各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;获取与所述第一状态信息匹配的第二状态信息的第一数量,根据所述第一数量计算所述第一状态信息对应的聚合度;根据所述第一设备特征信息以及所述第二设备特征信息计算所述当前终端与各个目标终端的相似度;根据所述第一状态信息对应的聚合度以及所述当前终端与所述各个目标终端的相似度确定所述当前用户对应的风险信息。
一种风险信息确定装置,所述装置包括:当前参数获取模块,用于获取当前用户对应的当前参数信息,所述当前参数信息包括所述当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;目标参数获取模块,用于获取用户集合中各个目标用户对应的目标参数信息,所述目标参数信息包括所述各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;聚合度计算模块,用于获取与所述第一状态信息匹配的第二状态信息的第一数量,根据所述第一数量计算所述第一状态信息对应的聚合度;相似度计算模块,用于根据所述第一设备特征信息以及所述第二设备特征信息计算所述当前终端与各个目标终端的相似度;风险信息确定模块,用于根据所述第一状态信息对应的聚合度以及所述当前终端与所述各个目标终端的相似度确定所述当前用户对应的风险信息。
在其中一个实施例中,所述风险信息确定模块包括:特征得到单元,用于根据所述第一状态信息对应的聚合度得到对应的聚合度特征,根据所述当前终端与所述各个目标终端的相似度得到对应的相似度特征;风险得到单元,用于将所述聚合度特征以及所述相似度特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息。
在其中一个实施例中,所述风险信息确定模型包括第一模型以及第二模型,所述风险得到单元用于:将所述聚合度特征以及所述相似度特征输入到所述第一模型中,得到所述当前用户为欺诈用户的第一可能度;将所述聚合度特征以及所述相似度特征输入到所述第二模型中,得到所述当前用户为非欺诈用户的第二可能度;根据所述第一可能度以及第二可能度确定所述当前用户对应的风险信息。
在其中一个实施例中,所述特征得到单元用于:获取与所述当前终端的相似度大于预设相似度的目标终端的第二数量;根据所述第二数量得到对应的相似度特征。
在其中一个实施例中,所述第一状态信息包括当前地理位置,所述第二状态信息包括目标地理位置,所述聚合度计算模块包括:第一数量获取单元,用于获取与所述当前地理位置的距离小于距离阈值的目标地理位置的第一数量;聚合度计算单元,用于计算所述第一数量与所述用户集合中的用户数量的比例,根据所述比例得到所述第一状态信息对应的聚合度。
在其中一个实施例中,所述相似度计算模块用于:计算所述各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度;对所述当前终端与所述目标终端的设备特征相似度进行统计,得到统计结果,将所述统计结果作为所述当前终端与所述目标终端的相似度。
在其中一个实施例中,所述装置还包括:标签获取模块,用于获取目标应用标签;使用特征得到模块,用于获取所述当前终端中所述目标应用标签对应的应用的使用数据,对所述应用的使用数据进行统计,得到所述目标应用标签对应的使用特征;所述风险得到单元用于:将所述聚合度特征、所述相似度特征以及所述目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述风险信息确定方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述风险信息确定方法的步骤。
上述风险信息确定方法、装置、计算机设备和存储介质,通过获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度;根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度;根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。由于结合了聚合度以及当前终端与各个目标终端的相似度得到风险信息,因此风险识别准确度高。
附图说明
图1为一个实施例中风险信息确定方法的应用场景图;
图2为一个实施例中风险信息确定方法的流程示意图;
图3为一个实施例中根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息步骤的流程示意图;
图4为一个实施例中聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息步骤的流程示意图;
图5为一个实施例中风险信息确定方法的流程示意图;
图6为一个实施例中风险信息确定装置的结构框图;
图7为一个实施例中风险信息确定模块的结构框图;
图8为一个实施例中聚合度计算模块的结构框图;
图9为一个实施例中风险信息确定装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一状态信息称为第二状态信息,且类似地,可将第二状态信息称为第一状态信息。
本申请提供的风险信息确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102是用户对应的终端,当用户通过终端102登录服务器104时,服务器104可以获取用户对应的参数信息,执行本发明实施例提供的风险信息确定方法,得到用户对应的风险信息,从而确定用户是否为要进行欺诈活动的欺诈用户,并可以在确定用户为欺诈用户时,将该用户加入黑名单。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种风险信息确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息。
具体地,状态信息用于表示用户所在的状态,状态信息例如可以包括用户地理位置、用户对应的IP地址或者用户的注册时间中的一个或多个。设备特征信息用于表示终端的特征,例如可以包括终端是否越狱、终端的价格、终端的设备型号、终端开设的端口例如是否了开设了80、8080等端口、终端安装的应用、终端内存以及终端存储剩余量中的一种或多种信息。当前用户是指需要计算风险信息的用户,例如当前用户可以是登录服务器的各个用户,服务器可以获取通过用户账号登录的当前用户的用户标识,根据用户标识获取当前用户对应的当前参数信息,对于每一个当前用户,分别执行本发明实施例提供的风险信息确定方法。第一状态信息是指当前用户对应的状态信息。当前终端是指当前用户对应的终端,第一设备特征信息是指当前终端的设备特征信息。服务器可以是在当前用户利用当前终端登录到服务器时获取当前用户对应的当前参数信息。也可以是在当前用户执行预设操作时再获取当前用户对应的当前参数信息,例如,可以是在当前用户执行领取优惠券的操作时获取当前用户对应的当前参数信息。
步骤S204,获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息。
具体地,用户集合是指登录到服务器中的用户组成的集合。可以是全部的登录到服务器中的用户组成的集合,也可以是对登录到服务器中的用户进行筛选后得到的用户组成的集合。在一个实施例中,可以将预设时间例如一小时内登录的用户作为目标用户。目标终端是指目标用户对应的终端。第二状态信息是指目标用户对应的状态信息。第二设备特征信息是指目标终端的设备特征信息。
步骤S206,获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度。
具体地,状态信息是否匹配的规则可以根据需要进行设置。例如,对于地理位置信息,可以是当距离小于距离阈值时为匹配。对于IP地址,则可以是指当IP地址所对应的网络为同一局域网即为匹配。对于时间,可以是时间的差距小于预设时长则为匹配。例如,当A状态信息表示当前用户的注册时间为2015年6月30日,B状态信息表示目标用户的注册时间为2015年6月28日,预设时长为5天,由于A状态信息与B状态信息的时间差距为2天,小于预设时长,因此A状态信息与B状态信息匹配。聚合度用于表示状态信息的集中程度。聚合度越大,则说明状态信息越集中,聚合度越小,则说明状态信息越稀疏。第一数量是指与第一状态信息匹配的第二状态信息的数量。聚合度的计算方法可以根据需要进行设置。例如,可以计算第一数量与用户集合中的用户数量的比例,将该比例作为第一状态信息对应的聚合度。
在一个实施例中,第一状态信息包括当前地理位置,第二状态信息包括目标地理位置,获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度包括:获取与当前地理位置的距离小于距离阈值的目标地理位置的第一数量。计算第一数量与用户集合中的用户数量的比例,根据比例得到第一状态信息对应的聚合度。
具体地,距离阈值可以根据需要进行设置,例如为2公里,对于地理位置信息,计算与当前位置的距离小于该距离阈值的目标地理位置的数量,作为第一数量,并计算第一数量与用户集合中的用户数量的比例,得到第一数量与用户集合中的用户数量的比例后,可以将该比例作为聚合度,也可以设置比例与聚合度的对应关系,根据计算得到的比例确定对应的聚合度。例如可以设置0~30%的比例对应的聚合度为0,例如设置30~60%的比例对应的聚合度为0.5,设置60~80%的比例对应的聚合度为0.8,设置80~100%的比例对应的聚合度为1。
步骤S208,根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度。
具体地,相似度用于表示终端与终端之间相似的程度,相似度越高,则表示终端与终端越相似,相似度越低,则表示终端与终端越不相似。第一设备特征信息以及第二设备特征信息为多个时,可以计算各个第一设备特征信息与对应的第二设备特征信息的相似度,再对计算得到的相似度进行统计,例如将得到的相似度求平均值或者相乘得到乘积,将平均值或者乘积作为当前终端与目标终端的相似度。特征信息与特征信息之间的相似度的计算方法可以根据需要进行设置。例如对于数值型的设备特征信息,设置特征信息的差值与相似度的对应关系,因此可以计算第一设备特征信息以及第二设备特征信息的差值,根据第一设备特征信息以及第二设备特征信息的差值得到第一设备特征信息与对应的第二设备特征信息的相似度。对于非数值型的设备特征信息,则可以根据具体的需求确定相似度。例如对于终端的型号等设备特征信息,可以设置完全相同时的相似度为1,品牌相同的相似度为0.6,完全不相同的相似度为0。对于每一个目标终端,分别计算当前终端与该目标终端的相似度。或者可以采用word2vector训练得到各个设备特征信息对应的词向量,通过计算词向量的相似度,得到第一设备特征信息与对应的第二设备特征信息的相似度。
在一个实施例中,可以根据第一设备特征信息得到第一向量的第一向量值,根据第二设备特征信息得到第二向量的向量值,然后计算第一向量与第二向量的相似度,作为当前终端与目标终端的相似度。向量间的相似度算法可以采用余弦相似度算法。例如,假设当前终端包括三个设备特征信息,为a1、a2以及a3,目标终端的设备特征信息为b1、b2以及b3。则组成的第一向量可以为[a1、a2、a3],组成的第二向量可以为[b1、b2、b3],因此可以计算[a1、a2、a3]与[b1、b2、b3]的相似度,作为当前终端与目标终端的相似度。
在一个实施例中,第一设备特征信息为多个,根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度包括:计算各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度。对当前终端与同一目标终端的设备特征相似度进行统计,得到统计结果,将统计结果作为当前终端与各个目标终端的相似度。
具体地,设备特征相似度是终端中设备特征对应的相似度,统计结果可以是设备特征相似度的平均值、中位数或者乘积等。得到设备特征相似度后,可以对设备特征相似度进行统计,得到统计结果,将统计结果作为当前终端与各个目标终端的相似度,例如,假设当前终端与C目标终端的设备特征相似度为0.8、0.6以及0.4,则当前终端与C目标终端的相似度可以为(0.8+0.6+0.4)/3=0.6。
步骤S210,根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。
具体地,风险信息用于描述该用户为欺诈用户的风险,风险信息大,则该用户为欺诈用户的可能性高。风险信息可以用概率、级别以及分数表示,具体可以根据需要进行设置。得到聚合度以及当前终端与各个目标终端的相似度后,结合聚合度以及当前终端与各个目标终端的相似度得到当前用户对应的风险信息。例如,当聚合度大于预设聚合度,且与当前终端的相似度大于预设相似度的目标终端的数量大于预设数量时,则可以确定当前用户为欺诈用户。预设聚合度、预设相似度以及预设数量的大小可以根据需要进行设置。
在一个实施例中,当当前用户的风险信息大于预设值时,可以禁止当前用户进行预设的操作,如禁止该用户登录服务器,禁止该用户领取优惠券等,预设的操作具体可以根据需要进行设置。
本发明实施例中,由于欺诈用户通常是团队合作或者利用同一终端注册多个用户进行欺诈,并使用IP代理或者利用软件工具更改终端的设备号获取优惠券的,但是同一终端中的一些特征信息并不会改变以及团队中的用户的状态大部分相同或者近似,因此可以计算终端与其他终端设备的相似度确定是否为同一终端,并结合状态信息的聚合度确定是否为团队合作确定当前用户是否为欺诈用户,因此,能够准确地识别当前用户的风险信息。提高了识别准确度。
在一个实施例中,如图3所示,步骤S210即根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息的步骤包括:
步骤S302,根据第一状态信息对应的聚合度得到对应的聚合度特征,根据当前终端与各个目标终端的相似度得到对应的相似度特征。
具体地,可以将第一状态信息对应的聚合度作为聚合度特征,也可以获取第一状态信息对应的聚合度对应的聚合度数值范围,将聚合度数值范围作为聚合度特征。例如,可以设置聚合度范围包括0~0.3、0.3~0.6、0.6~0.8、0.8~1.0共四个范围,假设第一状态信息对应的聚合度为0.812,则0.812属于0.8~1.0的范围,因此聚合度特征为0.8~1.0。对于当前终端与各个目标终端的相似度,可以获取与当前终端的相似度大于预设相似度的目标终端的第二数量,根据第二数量得到对应的相似度特征。例如可以将第二数量作为对应的相似度特征,也可以获取第二数量对应的相似度数值范围,将相似度数值范围作为相似度特征。
步骤S304,将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
具体地,风险信息确定模型是预先训练得到的机器学习模型。在进行训练时,获取样本数据,样本数据包括聚合度特征、相似度特征以及对应的风险信息,并采用有监督的模型训练方法进行模型训练。在进行模型训练的过程中,由于样本风险信息是已知的且为有监督的模型,因此可以通过不断调整模型参数直至模型收敛,从而可以根据得到的模型参数得到信用度模型。模型训练的模型可以为SVM(Support Vector Machine,支持向量机)分类器模型,神经网络(Artificial Neural Network,ANN)分类器模型,逻辑回归算法(logistic Regression,LR)分类器模型和隐马尔可夫模型(Hidden Markov Model,HMM)等各种可以进行机器学习的模型。因此得到聚合度特征以及相似度特征后,将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,风险信息确定模型可以将特征转换为向量,并通过模型参数进行特征提取,得到当前用户对应的风险信息。
在一个实施例中,还可以将第一设备特征输入到已训练的风险信息确定模型中,例如可以将当前终端的硬件参数作为特征输入到已训练的风险信息确定模型。在一个实施例中,第一设备特征可以是终端开通的端口以及安装的与欺诈有关软件等特征,例如,获取终端是否开通了80、8080等代理服务经常开通的端口,是否存在刷机软件等特征,由于一个欺诈用户的终端上通常开通80、8080等窗口以及安装刷机软件。因此可以将这些终端的参数作为模型特征,以用于确定该用户是否为欺诈用户。
在一个实施例中,还可以结合交易数据判断当前用户为欺诈用户的风险。例如,可以根据使用优惠券的次数、间隔以及交易数值与优惠券数值的差值得到交易特征。将交易特征输入到模型中,得到当前用户为欺诈用户的风险信息。
在一个实施例中,还可以根据当前时间内例如当前的一个小时内优惠获取页面上的用户个数得到模型特征。由于欺诈用户多为一个团队集中领取优惠券,因此,可以监控用户数量,根据当前时间内的用户数量与平均用户数量的比例或者当前时间内的用户数量与历史时期中同一时期的用户数量的比例得到模型特征。可以是一个比例范围对应一个模型特征。例如20~30%对应A特征,30~45%对应B特征。举个实际的例子,假设在最近10分钟内在获取优惠劵的页面上进行操作的用户数量为100个,而平均每十分钟的用户数量为50个,则比例为100/50=200%。
在一个实施例中,还可以结合当前用户使用当前终端上的应用时对应的应用页面的流转信息确定当前用户的风险信息。页面的流转信息可以包括各个页面的停留时间以及页面的路径信息等,例如可以根据页面的停留时间以及当前用户从登录页面到达目标页面如优惠券领取页面的路径长度确定当前用户的风险信息。由于欺诈用户存在很强的目的性,与普通用户相比,登录服务器后在非目标页面的停留时间短而且到达目标页面的路径短,因此可以结合页面流转信息确定当前用户的风险信息。例如可以计算当前用户在各个页面的停留时间的平均值以及对应的页面路径长度,当聚合度大于预设聚合度、与当前终端的相似度大于预设相似度的目标终端的数量大于预设数量、页面停留时间小于预设时间以及路径长度小于预设长度时,确定当前用户为欺诈用户。或者将页面停留时间以及到达目标页面的路径的长度中的一种或两种作为模型的特征输入到风险信息确定模型中。
在一个实施例中,风险信息确定模型包括第一模型以及第二模型,如图4所示,步骤S304将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:
步骤S402,将聚合度特征以及相似度特征输入到第一模型中,得到当前用户为欺诈用户的第一可能度。
具体地,第一模型用于确定用户为欺诈用户的可能度,可能度可以用概率表示。第一可能度越大,则为欺诈用户的可能性越大,第一可能度越小,则为欺诈用户的可能性越小。当得到聚合度特征以及相似度特征后,输入到第一模型中,得到当前用户为欺诈用户的第一可能度。
步骤S404,将聚合度特征以及相似度特征输入到第二模型中,得到当前用户为非欺诈用户的第二可能度。
具体地,第二模型用于确定用户不是欺诈用户的可能度。第二可能度越大,则不是欺诈用户的可能性越大,第二可能度越小,则不是欺诈用户的可能性越小。当得到聚合度特征以及相似度特征后,输入到第二模型中,得到当前用户不是欺诈用户的第二可能度。
步骤S406,根据第一可能度以及第二可能度确定当前用户对应的风险信息。
具体地,得到第一可能度以及第二可能度后,结合第一可能度以及第二可能度确定当前用户对应的风险信息,例如,可以是在当第一可能度大于第一预设可能度,且第二可能度小于第二预设可能度时,将当前用户确定为欺诈用户,而在其他情况下,则可以将当前用户确定为非欺诈用户。或者,可以计算1减去第二可能度的差值,然后将第一可能度与差值的乘积作为风险可能度。当然也还可以进一步结合其他欺诈方法确定当前用户是否为欺诈用户。
本发明实施例中,由于结合两个模型的值确定当前用户是否为欺诈用户。因此,可以减少其中的一个模型对部分用户进行误判从而错误认定当前用户的风险信息的情况发生,提高了风险信息确定的准确性。
在一个实施例中,如图5所示,风险信息确定方法还可以包括以下步骤:
步骤S502,获取目标应用标签。
具体地,应用标签用于表示应用的属性,目标应用标签可以是预先设置的,可以是通讯标签、购物标签以及美食标签等,具体可以根据需要进行设置。
步骤S504,获取当前终端中目标应用标签对应的应用的使用数据,对应用的使用数据进行统计,得到目标应用标签对应的使用特征。
具体地,目标应用标签对应的应用可以是预先设置的,例如,可以设置微信以及钉钉等应用对应的标签为聊天标签。大众点评以及口碑网等对应的标签为美食标签。使用信息可以用使用频率以及使用时长等进行表示,例如使用信息可以用登陆应用的间隔以及每次使用应用的时长中的一个或多个等进行表示。得到各个目标应用标签后,获取各个目标应用标签所对应应用的使用数据,并进行统计,得到各个目标应用标签对应的使用特征。例如,对于美食标签,假设当前终端中登录大众点评以及口碑网的频率分别为一天一次以及一天两次,则美食标签对应的使用特征为登录频率为一天三次。
在一个实施例中,步骤S304即将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:将聚合度特征、相似度特征以及目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
具体地,得到目标应用标签对应的使用特征后,将将聚合度特征、相似度特征以及目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
本发明实施例中,由于目前实现同一个功能的应用数量多,相对于对每一个应用的使用信息进行统计,以目标应用标签为单位统计使用特征更能集中反映用户的使用特性,因此得到的风险信息确定准确度高。
应该理解的是,虽然上述的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种风险信息确定装置,包括:当前参数获取模块602、目标参数获取模块604、聚合度计算模块606、相似度计算模块608和风险信息确定模块610,其中:
当前参数获取模块602,用于获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息。
目标参数获取模块604,用于获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息。
聚合度计算模块606,用于获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度。
相似度计算模块608,用于根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度。
风险信息确定模块610,用于根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。
在其中一个实施例中,如图7所示,风险信息确定模块610包括:
特征得到单元610A,用于根据第一状态信息对应的聚合度得到对应的聚合度特征,根据当前终端与各个目标终端的相似度得到对应的相似度特征。
风险得到单元610B,用于将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
在其中一个实施例中,风险信息确定模型包括第一模型以及第二模型,风险得到单元610B用于:将聚合度特征以及相似度特征输入到第一模型中,得到当前用户为欺诈用户的第一可能度。将聚合度特征以及相似度特征输入到第二模型中,得到当前用户为非欺诈用户的第二可能度。根据第一可能度以及第二可能度确定当前用户对应的风险信息。
在其中一个实施例中,特征得到单元610A用于:获取与当前终端的相似度大于预设相似度的目标终端的第二数量。根据第二数量得到对应的相似度特征。
在其中一个实施例中,第一状态信息包括当前地理位置,第二状态信息包括目标地理位置,如图8所示,聚合度计算模块606包括:
第一数量获取单元606A,用于获取与当前地理位置的距离小于距离阈值的目标地理位置的第一数量。
聚合度计算单元606B,用于计算第一数量与用户集合中的用户数量的比例,根据比例得到第一状态信息对应的聚合度。
在其中一个实施例中,相似度计算模块608用于:计算各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度。对当前终端与目标终端的设备特征相似度进行统计,得到统计结果,将统计结果作为当前终端与目标终端的相似度。
在其中一个实施例中,如图9所示,装置还包括:
标签获取模块902,用于获取目标应用标签。
使用特征得到模块904,用于获取当前终端中目标应用标签对应的应用的使用数据,对应用的使用数据进行统计,得到目标应用标签对应的使用特征。
风险得到单元610B用于:将聚合度特征、相似度特征以及目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
关于风险信息确定装置的具体限定可以参见上文中对于风险信息确定方法的限定,在此不再赘述。上述风险信息确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器以及网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险信息确定方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度;根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度;根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。
在一个实施例中,处理器所执行的根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息的步骤包括:根据第一状态信息对应的聚合度得到对应的聚合度特征,根据当前终端与各个目标终端的相似度得到对应的相似度特征;将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
在一个实施例中,风险信息确定模型包括第一模型以及第二模型,处理器所执行的将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:将聚合度特征以及相似度特征输入到第一模型中,得到当前用户为欺诈用户的第一可能度;将聚合度特征以及相似度特征输入到第二模型中,得到当前用户为非欺诈用户的第二可能度;根据第一可能度以及第二可能度确定当前用户对应的风险信息。
在一个实施例中,处理器所执行的根据当前终端与各个目标终端的相似度得到对应的相似度特征包括:获取与当前终端的相似度大于预设相似度的目标终端的第二数量;根据第二数量得到对应的相似度特征。
在一个实施例中,第一状态信息包括当前地理位置,第二状态信息包括目标地理位置,处理器所执行的获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度包括:获取与当前地理位置的距离小于距离阈值的目标地理位置的第一数量;计算第一数量与用户集合中的用户数量的比例,根据比例得到第一状态信息对应的聚合度。
在一个实施例中,第一设备特征信息为多个,处理器所执行的根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度包括:计算各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度;对当前终端与目标终端的设备特征相似度进行统计,得到统计结果,将统计结果作为当前终端与目标终端的相似度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标应用标签;获取当前终端中目标应用标签对应的应用的使用数据,对应用的使用数据进行统计,得到目标应用标签对应的使用特征;将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:将聚合度特征、相似度特征以及目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取当前用户对应的当前参数信息,当前参数信息包括当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;获取用户集合中各个目标用户对应的目标参数信息,目标参数信息包括各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度;根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度;根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息。
在一个实施例中,处理器所执行的根据第一状态信息对应的聚合度以及当前终端与各个目标终端的相似度确定当前用户对应的风险信息的步骤包括:根据第一状态信息对应的聚合度得到对应的聚合度特征,根据当前终端与各个目标终端的相似度得到对应的相似度特征;将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
在一个实施例中,风险信息确定模型包括第一模型以及第二模型,处理器所执行的将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:将聚合度特征以及相似度特征输入到第一模型中,得到当前用户为欺诈用户的第一可能度;将聚合度特征以及相似度特征输入到第二模型中,得到当前用户为非欺诈用户的第二可能度;根据第一可能度以及第二可能度确定当前用户对应的风险信息。
在一个实施例中,处理器所执行的根据当前终端与各个目标终端的相似度得到对应的相似度特征包括:获取与当前终端的相似度大于预设相似度的目标终端的第二数量;根据第二数量得到对应的相似度特征。
在一个实施例中,第一状态信息包括当前地理位置,第二状态信息包括目标地理位置,处理器所执行的获取与第一状态信息匹配的第二状态信息的第一数量,根据第一数量计算第一状态信息对应的聚合度包括:获取与当前地理位置的距离小于距离阈值的目标地理位置的第一数量;计算第一数量与用户集合中的用户数量的比例,根据比例得到第一状态信息对应的聚合度。
在一个实施例中,第一设备特征信息为多个,处理器所执行的根据第一设备特征信息以及第二设备特征信息计算当前终端与各个目标终端的相似度包括:计算各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度;对当前终端与目标终端的设备特征相似度进行统计,得到统计结果,将统计结果作为当前终端与目标终端的相似度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标应用标签;获取当前终端中目标应用标签对应的应用的使用数据,对应用的使用数据进行统计,得到目标应用标签对应的使用特征;将聚合度特征以及相似度特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息包括:将聚合度特征、相似度特征以及目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到当前用户对应的风险信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险信息确定方法,所述方法包括:
获取当前用户对应的当前参数信息,所述当前参数信息包括所述当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;
获取用户集合中各个目标用户对应的目标参数信息,所述目标参数信息包括所述各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;
获取与所述第一状态信息匹配的第二状态信息的第一数量,根据所述第一数量计算所述第一状态信息对应的聚合度;
根据所述第一设备特征信息以及所述第二设备特征信息计算所述当前终端与各个目标终端的相似度;
根据所述第一状态信息对应的聚合度以及所述当前终端与所述各个目标终端的相似度确定所述当前用户对应的风险信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一状态信息对应的聚合度以及所述当前终端与所述各个目标终端的相似度确定所述当前用户对应的风险信息的步骤包括:
根据所述第一状态信息对应的聚合度得到对应的聚合度特征,根据所述当前终端与所述各个目标终端的相似度得到对应的相似度特征;
将所述聚合度特征以及所述相似度特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息。
3.根据权利要求2所述的方法,其特征在于,所述风险信息确定模型包括第一模型以及第二模型,所述将所述聚合度特征以及所述相似度特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息包括:
将所述聚合度特征以及所述相似度特征输入到所述第一模型中,得到所述当前用户为欺诈用户的第一可能度;
将所述聚合度特征以及所述相似度特征输入到所述第二模型中,得到所述当前用户为非欺诈用户的第二可能度;
根据所述第一可能度以及第二可能度确定所述当前用户对应的风险信息。
4.根据权利要求2所述的方法,其特征在于,所述根据所述当前终端与所述各个目标终端的相似度得到对应的相似度特征包括:
获取与所述当前终端的相似度大于预设相似度的目标终端的第二数量;
根据所述第二数量得到对应的相似度特征。
5.根据权利要求1所述的方法,其特征在于,所述第一状态信息包括当前地理位置,所述第二状态信息包括目标地理位置,所述获取与所述第一状态信息匹配的第二状态信息的第一数量,根据所述第一数量计算所述第一状态信息对应的聚合度包括:
获取与所述当前地理位置的距离小于距离阈值的目标地理位置的第一数量;
计算所述第一数量与所述用户集合中的用户数量的比例,根据所述比例得到所述第一状态信息对应的聚合度。
6.根据权利要求1所述的方法,其特征在于,所述第一设备特征信息为多个,所述根据所述第一设备特征信息以及所述第二设备特征信息计算所述当前终端与各个目标终端的相似度包括:
计算所述各个第一设备特征信息与对应的第二设备特征信息的相似度,作为设备特征相似度;
对所述当前终端与所述目标终端的设备特征相似度进行统计,得到统计结果,将所述统计结果作为所述当前终端与所述目标终端的相似度。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取目标应用标签;
获取所述当前终端中所述目标应用标签对应的应用的使用数据,对所述应用的使用数据进行统计,得到所述目标应用标签对应的使用特征;
所述将所述聚合度特征以及所述相似度特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息包括:
将所述聚合度特征、所述相似度特征以及所述目标应用标签对应的使用特征输入到已训练的风险信息确定模型中,得到所述当前用户对应的风险信息。
8.一种风险信息确定装置,所述装置包括:
当前参数获取模块,用于获取当前用户对应的当前参数信息,所述当前参数信息包括所述当前用户对应的第一状态信息以及当前终端对应的第一设备特征信息;
目标参数获取模块,用于获取用户集合中各个目标用户对应的目标参数信息,所述目标参数信息包括所述各个目标用户对应的第二状态信息以及目标终端对应的第二设备特征信息;
聚合度计算模块,用于获取与所述第一状态信息匹配的第二状态信息的第一数量,根据所述第一数量计算所述第一状态信息对应的聚合度;
相似度计算模块,用于根据所述第一设备特征信息以及所述第二设备特征信息计算所述当前终端与各个目标终端的相似度;
风险信息确定模块,用于根据所述第一状态信息对应的聚合度以及所述当前终端与所述各个目标终端的相似度确定所述当前用户对应的风险信息。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810608088.3A CN108932582B (zh) | 2018-06-13 | 2018-06-13 | 风险信息确定方法、装置、计算机设备和存储介质 |
PCT/CN2018/104788 WO2019237526A1 (zh) | 2018-06-13 | 2018-09-10 | 风险信息确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810608088.3A CN108932582B (zh) | 2018-06-13 | 2018-06-13 | 风险信息确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932582A true CN108932582A (zh) | 2018-12-04 |
CN108932582B CN108932582B (zh) | 2022-06-03 |
Family
ID=64446529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810608088.3A Active CN108932582B (zh) | 2018-06-13 | 2018-06-13 | 风险信息确定方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108932582B (zh) |
WO (1) | WO2019237526A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
CN110147923A (zh) * | 2019-04-04 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 用于识别风险用户的方法及装置 |
CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
CN111402032A (zh) * | 2020-03-11 | 2020-07-10 | 杭州首新网络科技有限公司 | 一种基于密集度风险等级的反欺诈检测方法 |
CN111414528A (zh) * | 2020-03-16 | 2020-07-14 | 同盾控股有限公司 | 确定设备标识的方法、装置、存储介质及电子设备 |
WO2020162831A1 (en) * | 2019-02-06 | 2020-08-13 | Pccw Vuclip (Singapore) Pte. Ltd | Apparatus and method for fraud detection |
CN114708109A (zh) * | 2022-03-01 | 2022-07-05 | 上海钐昆网络科技有限公司 | 风险识别模型的训练方法、装置、设备及存储介质 |
CN109829628B (zh) * | 2019-01-07 | 2024-07-02 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709769B (zh) * | 2020-05-15 | 2023-09-19 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
CN111639700A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 目标相似度识别方法、装置、计算机设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094767A1 (en) * | 2008-06-12 | 2010-04-15 | Tom Miltonberger | Modeling Users for Fraud Detection and Analysis |
CN101854357A (zh) * | 2010-05-10 | 2010-10-06 | 深圳市中科新业信息科技发展有限公司 | 网络认证监控方法及系统 |
US20120158454A1 (en) * | 2010-12-20 | 2012-06-21 | Verizon Patent And Licensing Inc. | Method and system for monitoring high risk users |
US20130290170A1 (en) * | 2012-04-30 | 2013-10-31 | International Business Machines Corporation | Establishing personalized mobile money transfer limits |
CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
CN106529773A (zh) * | 2016-10-31 | 2017-03-22 | 宜人恒业科技发展(北京)有限公司 | 一种基于验证码式问答的在线信用和欺诈风险评估方法 |
CN106572056A (zh) * | 2015-10-10 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种风险监控方法及装置 |
CN106886906A (zh) * | 2016-08-15 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 一种设备识别方法和装置 |
CN107360179A (zh) * | 2017-07-31 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种风险信息共享的方法、终端及计算机可读存储介质 |
CN107705206A (zh) * | 2017-11-07 | 2018-02-16 | 中国银行股份有限公司 | 一种交易风险评估方法和装置 |
CN108090332A (zh) * | 2017-12-06 | 2018-05-29 | 国云科技股份有限公司 | 一种基于用户登录行为分析的风控方法 |
-
2018
- 2018-06-13 CN CN201810608088.3A patent/CN108932582B/zh active Active
- 2018-09-10 WO PCT/CN2018/104788 patent/WO2019237526A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094767A1 (en) * | 2008-06-12 | 2010-04-15 | Tom Miltonberger | Modeling Users for Fraud Detection and Analysis |
CN101854357A (zh) * | 2010-05-10 | 2010-10-06 | 深圳市中科新业信息科技发展有限公司 | 网络认证监控方法及系统 |
US20120158454A1 (en) * | 2010-12-20 | 2012-06-21 | Verizon Patent And Licensing Inc. | Method and system for monitoring high risk users |
US20130290170A1 (en) * | 2012-04-30 | 2013-10-31 | International Business Machines Corporation | Establishing personalized mobile money transfer limits |
CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
CN106572056A (zh) * | 2015-10-10 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种风险监控方法及装置 |
CN106886906A (zh) * | 2016-08-15 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 一种设备识别方法和装置 |
CN106529773A (zh) * | 2016-10-31 | 2017-03-22 | 宜人恒业科技发展(北京)有限公司 | 一种基于验证码式问答的在线信用和欺诈风险评估方法 |
CN107360179A (zh) * | 2017-07-31 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种风险信息共享的方法、终端及计算机可读存储介质 |
CN107705206A (zh) * | 2017-11-07 | 2018-02-16 | 中国银行股份有限公司 | 一种交易风险评估方法和装置 |
CN108090332A (zh) * | 2017-12-06 | 2018-05-29 | 国云科技股份有限公司 | 一种基于用户登录行为分析的风控方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
CN109829628B (zh) * | 2019-01-07 | 2024-07-02 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
WO2020162831A1 (en) * | 2019-02-06 | 2020-08-13 | Pccw Vuclip (Singapore) Pte. Ltd | Apparatus and method for fraud detection |
CN110147923A (zh) * | 2019-04-04 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 用于识别风险用户的方法及装置 |
CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
CN110717653B (zh) * | 2019-09-17 | 2023-05-12 | 创新先进技术有限公司 | 风险识别方法及装置和电子设备 |
CN111402032A (zh) * | 2020-03-11 | 2020-07-10 | 杭州首新网络科技有限公司 | 一种基于密集度风险等级的反欺诈检测方法 |
CN111414528A (zh) * | 2020-03-16 | 2020-07-14 | 同盾控股有限公司 | 确定设备标识的方法、装置、存储介质及电子设备 |
CN111414528B (zh) * | 2020-03-16 | 2024-02-09 | 同盾控股有限公司 | 确定设备标识的方法、装置、存储介质及电子设备 |
CN114708109A (zh) * | 2022-03-01 | 2022-07-05 | 上海钐昆网络科技有限公司 | 风险识别模型的训练方法、装置、设备及存储介质 |
CN114708109B (zh) * | 2022-03-01 | 2022-11-11 | 上海钐昆网络科技有限公司 | 风险识别模型的训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019237526A1 (zh) | 2019-12-19 |
CN108932582B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932582A (zh) | 风险信息确定方法、装置、计算机设备和存储介质 | |
CN109447609A (zh) | 支付方法、装置、计算机设备和存储介质 | |
US10565525B2 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
CN108874823A (zh) | 智能客服的实现方法和装置 | |
CN107979525A (zh) | 一种红包发放方法、设备以及介质 | |
CN109767320A (zh) | 订单审核方法、装置、计算机设备和存储介质 | |
CN110210882A (zh) | 推广位匹配方法和装置、推广信息展示方法和装置 | |
CN109949108A (zh) | 基于区块链的发票创建方法和装置、电子设备 | |
CN109213857A (zh) | 一种欺诈行为识别方法和装置 | |
CN108304935A (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN110020662A (zh) | 用户分类模型的训练方法和装置 | |
US10701163B2 (en) | Lines prediction model | |
CN109426985A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN107093081A (zh) | 服务策略制定方法和装置 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110213071A (zh) | 数据核对方法、装置、系统、计算机设备和存储介质 | |
CN105590225A (zh) | 基于客户问题识别销售阶段的方法及装置 | |
CN106330657A (zh) | 一种好友处理方法和装置 | |
CN108053214A (zh) | 一种虚假交易的识别方法和装置 | |
CN110347566A (zh) | 用于对注册风控模型进行效能评估的方法及装置 | |
CN112910953B (zh) | 业务数据的推送方法、装置和服务器 | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN112085332A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN112308352A (zh) | 一种订单识别方法、装置及电子设备 | |
CN113556430B (zh) | 外呼系统和外呼方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |