CN109446276B - 基于关系数据模型的订单拦截方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种基于关系数据模型的订单拦截方法、装置、设备及介质，包括：获取员工的职员基本信息和职员亲属信息，基于员工的职员基本信息和职员亲属信息，形成一级关系网络，基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络，基于一级关系网络和二级关系网络，建立关系数据模型，获取风险订单，获取交易对象信息的关系对比度，判断风险订单是否违规，若风险订单违规，则调用拦截接口对违规的风险订单进行拦截。通过将职员基本信息和职员亲属信息之间以及职员基本信息之间进行关联，以建立关系数据模型，使得关系数据模型覆盖范围更大，从而便于对违规的风险订单进行查询和拦截，提升了风险订单拦截的效率。

Description

基于关系数据模型的订单拦截方法、装置、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于关系数据模型的订单拦截方法、装置、设备及介质。

背景技术

在保险行业的业务交易活动中，存在在职员工违规对同事或者亲属进行交易，将给客户赠送实物/虚拟礼品、理赔款支付等理应支付给外部客户的相关收益转赠给自己的亲属或其他相关人员，以此侵占公司的权益。保险公司需要通过对交易订单进行分析和判断，以识别其中的违规的交易订单。

但是，目前保险行业对违规的交易订单的分析和判断，是通过人工方式查找交易对象与在职员工之间存在的关系，这就需要对每一交易对象进行查询和识别，而交易对象的基本信息很多，导致识别困难，从而造成对员工的违规风险订单识别率低。在查找交易对象与员工之间的亲属关系时，因为员工亲属关系包括的信息太多，涉及的范围太广泛，往往会存在员工的个人信息和员工亲属的信息不全面，导致员工信息与员工亲属信息之间的关联程度无法体现，使得查找交易对象与在职员工的关系时存在困难，且业务人员之间相互利用对方的亲属进行的违规交易也无法很好地识别。

发明内容

本发明实施例提供一种基于关系数据模型的订单拦截方法、装置、设备及介质，以自动识别职员信息和其职员亲属信息之间的关联关系，提高违规风险订单的识别和拦截效率。

一种基于关系数据模型的订单拦截方法，包括：

获取员工的职员基本信息；

获取员工亲属的个人信息作为职员亲属信息；

基于员工的所述职员基本信息和所述职员亲属信息，形成一级关系网络；

基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络；

基于所述一级关系网络和所述二级关系网络，建立关系数据模型；

获取风险订单，所述风险订单包含交易对象信息；

基于所述交易对象信息查询关系数据模型，获取所述交易对象信息的关系对比度；

基于所述关系对比度，判断所述风险订单是否违规；

若所述风险订单违规，则调用拦截接口对违规的所述风险订单进行拦截。

一种基于关系数据模型的订单拦截装置，包括：

基本信息获取模块，用于获取员工的职员基本信息；

亲属信息获取模块，用于获取员工亲属的个人信息作为职员亲属信息；

一级网络模块，用于基于员工的所述职员基本信息和所述职员亲属信息，形成一级关系网络；

二级网络模块，用于基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络；

关系数据模型建立模块，用于基于所述一级关系网络和所述二级关系网络，建立关系数据模型；

风险订单获取模块，用于获取风险订单，所述风险订单包含交易对象信息；

对比度获取模块，用于基于所述交易对象信息查询关系数据模型，获取所述交易对象信息的关系对比度；

违规判断模块，用于基于所述关系对比度，判断所述风险订单是否违规；

订单拦截模块，用于若所述风险订单违规，则调用拦截接口对违规的所述风险订单进行拦截。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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基于关系数据模型的订单拦截方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于关系数据模型的订单拦截方法的步骤。

本发明实施例提供的基于关系数据模型的订单拦截方法、装置、设备及介质中，通过获取员工的职员基本信息和职员亲属信息，以便对职员基本信息和职员亲属信息进行收集处理，将职员基本信息和职员亲属信息形成一级网络关系，以使关系数据模型能够基于职员基本信息和职员亲属信息进行深度关联；将员工之间的职员基本信息形成二级关系网络，基于亲密度将职员之间建立关联，使得关系数据模型覆盖范围更大，以便进行深度关联，以提高关系数据模型的精确度；通过获取风险订单，以得到风险订单中的交易对象信息，支持后续查询关系对比度；再查询关系数据模型，获取风险订单中的交易对象信息的关系对比度，基于关系对比度判断风险订单是否违规，使得风险订单的违规判断数值化，提高识别准确度；若风险订单违规，则对违规的风险订单进行拦截，使得对违规的风险订单的拦截过程自动化，提高违规的风险订单的拦截效率。基于关系数据模型的订单拦截方法的目的就是利用关系数据模型对互联网交易中的风险订单是否存在违规进行识别，在不影响正常交易进行的同时对违规的风险订单进行阻拦，提高风险订单的识别效率，防止公司权益损失的发生。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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他的附图。

图1是本发明一实施例中基于关系数据模型的订单拦截方法的一应用环境示意图；

图2是本发明一实施例中提供的基于关系数据模型的订单拦截方法的一实现流程图；

图3是本发明一实施例中提供的基于关系数据模型的订单拦截方法的一实现流程图；

图4是本发明一实施例中提供的基于关系数据模型的订单拦截方法的一实现流程图；

图5是本发明一实施例中提供的基于关系数据模型的订单拦截方法的一实现流程图；

图6是本发明一实施例中提供的基于关系数据模型的订单拦截方法的一实现流程图；

图7是本发明一实施例中基于关系数据模型的订单拦截装置的一示意图；

图8是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明提供的基于关系数据模型的订单拦截方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。服务端接收客户端发送的职员基本信息和职员亲属信息，以建立关系数据模型，并对违规的风险订单进行拦截。其中，客户端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。服务端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。

图2示出本实施例中基于关系数据模型的订单拦截方法的流程图。该基于关系数据模型的订单拦截方法应用在服务端中，用于基于职员基本信息和职员亲属信息建立关系数据模型，从而使得职员基本信息与职员亲属信息进行深度关联，以基于关系数据模型，对违规的风险订单进行拦截，以提高拦截违规风险订单的效率。如图2所示，该基于关系数据模型的订单拦截方法包括如下步骤：

S1：获取员工的职员基本信息。

其中，员工的职员基本信息是指公司在职人员的信息，职员基本信息包括员工的员工工号，员工姓名，证件类型，证件号，手机号，住址，子公司、所属部门、籍贯、毕业院校等个人信息。

具体地，可以在员工入职时，通过客户端采集员工的职员基本信息，按照不同的分公司在客户端建立对应的人事管理系统，对各分公司的职员基本信息进行存储和管理，人事管理系统可以是各分公司用于采集和存储职员基本信息的系统。员工的职员基本信息可以通过但不仅限于是XML、HTML、XHTML、RDF、XForms、DocBook或SOAP等进行存储。获取员工的职员基本信息时，服务端接收各分公司人事管理系统即客户端发送的职员基本信息。优选地，也可以通过线下采集的方式获取员工的职员基本信息。

S2：获取员工亲属的个人信息作为职员亲属信息。

其中，职员亲属信息是指用于记录员工亲属身份的信息。职员亲属信息包括员工亲属与该员工之间的身份关系信息以及该员工亲属的详细信息。职员亲属信息包括：员工工号、员工姓名、亲属关系等身份关系信息以及亲属姓名、亲属证件类型、亲属证件号、亲属手机号、亲属地址等员工亲属的详细信息。职员亲属信息可以通过但不仅限于是XML、HTML、XHTML、RDF、XForms、DocBook或SOAP等进行存储。可以理解地，以上列举的职员亲属信息的具体内容仅是对职员亲属信息的一个示例性说明，具体内容可以根据实际需要进行调整，在此不做具体限定。

具体地，可以在员工入职时或者后续维护职员信息时，线下采集员工的职员亲属信息，存储至职员所在分公司的人事管理系统，服务端可以直接从各分公司的人事管理系统调用职员亲属信息，便于对职员亲属信息进行维护。也可以通过线下采集的方式获取职员亲属信息。

S3：基于员工的职员基本信息和职员亲属信息，形成一级关系网络。

其中，一级关系网络是指员工与员工亲属的关系网络，该一级关系网络基于员工的职员基本信息以及该员工的职员亲属信息而建立。具体地，以员工为中心节点，存储职员基本信息，以该员工的亲属为中心节点的子节点，存储职员亲属信息，建立树形存储结构，纵向形成员工的职员基本信息和员工亲属的职员亲属信息的一级关系网络。

S4：基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络。

其中，亲密度是指员工之间基于同一交际圈的关联关系，例如，可以是基于同一就职部门的亲密度，可以是基于同一籍贯的亲密度，或者基于同一毕业学校的亲密度，亲密度可以根据实际需求进行设定。二级关系网络是指员工与员工之间的关系网络，基于员工之间的职员基本信息建立。

具体地，可以根据员工之间基于同一交际圈的关联关系，计算员工之间的亲密度，若员工的职员基本信息存在相同的信息项，例如，同一部门的员工其所属部门相同，正常情况下，员工之间的亲密关系会比不同部门的员工之间更亲密，若同一部门的员工中存在同一毕业院校的员工，则其亲密关系会更高。根据员工之间的职员基本信息存在的相同信息项计算员工之间的亲密度。基于员工之间的亲密度，将员工之间的职员基本信息建立二级关系网络。

S5：基于一级关系网络和二级关系网络，建立关系数据模型。

其中，关系数据模型是反映员工与员工亲属之间以及员工和员工之间的关联关系的模型，该关系数据模型基于一级关系网络和二级关系网络来综合建立。

具体地，基于员工的职员基本信息与员工亲属的职员亲属信息之间的一级关系网络，以及同一亲密度的员工的职员基本信息之间的二级关系网络，将同一中心节点员工的职员基本信息进行合并，并综合员工与员工亲属之间的一级关系网络建立关系数据模型。

S6：获取风险订单，风险订单包含交易对象信息。

其中，风险订单是指交易过程中可能存在违规风险的订单。交易对象信息是指风险订单交易的客户方的个人信息，例如，客户姓名、客户电话、客户住址、客户证件类型、客户证件号、客户工作单位或客户工作单位地址等。

具体地，服务端获取交易过程中的风险订单，风险订单包含交易对象信息。风险订单可以是给交易对象邮寄的实物的快递订单，则交易对象信息还可以是用户基于某平台的登录账号获取虚拟理礼品时的相关订单，可以是理赔款支付的订单等。

S7：基于交易对象信息查询关系数据模型，获取交易对象信息的关系对比度。

其中，关系数据模型是反映员工与员工亲属之间以及员工和员工之间的关联关系的模型。关系数据模型是采用关系数据模型建立方法建立的。关系对比度是指交易对象信息在关系数据模型中的对比度，即交易对象信息与职员基本信息之间的关联程度。

具体地，基于交易对象信息查询关系数据模型，计算交易对象信息与职员亲属信息的相似度。按照交易对象信息与职员亲属信息的相似度的大小进行排序，获取最大的相似度，则该交易对象信息在关系数据模型中的最大的相似度即为该交易对象信息的关系对比度。

S8：基于关系对比度，判断风险订单是否违规。

具体地，基于交易对象信息在关系数据模型中的关系对比度，判断风险订单是否违规，该交易对象信息与关系数据模型中的职员亲属信息的相似度越高，则交易对象信息的关系对比度越高，说明该交易对象是员工亲属的可能性越大，则该风险订单涉及违规的可能性越大。

进一步地，可以设置一违规阈值，若交易对象信息在关系数据模型中的关系对比度超过违规阈值，说明交易对象信息与关系数据模型中的职员亲属信息相同的可能性很高，则判断该交易对象是员工亲属的可能性很大，该风险订单为违规订单。

S9：若风险订单违规，则调用拦截接口对违规的风险订单进行拦截。

其中，拦截接口是指用于拦截违规的风险订单的API接口。基于交易对象信息的关系对比度对风险订单进行判断，若风险订单违规，则在风险订单正式确定进行交易前，调用拦截接口拦截违规的风险订单。

在本实施例中，通过获取职员基本信息和职员亲属信息，形成一级网络关系，每一员工与其亲属的职员亲属信息进行关联，使得员工与其亲属之间的关联更清晰准确，通过将员工之间的职员基本信息基于亲密度建立二级关系网络，使得关系数据模型覆盖范围更大，以提高关系数据模型的精确度。通过获取风险订单，基于风险订单的交易对象信息查询关系数据模型，对比交易对象信息在关系数据模型中的关系对比度，以判断风险订单是否违规，使得对风险订单是否违规的判断更具体，采用关系对比度进行判断更具有准确性，对风险订单的违规性进行校验，提高了识别准确度；通过采用拦截接口对违规的风险订单进行拦截，使得拦截过程更准确，提高对违规的风险订单的拦截效率。

在一实施例中，如图3所示，步骤S3中，即基于员工的职员基本信息和职员亲属信息，形成一级关系网络，具体包括如下步骤：

S31：基于员工的身份ID，存储员工的职员基本信息。

其中，员工的身份ID是员工身份信息的标识，每一员工的身份ID都是唯一确定的。具体的，基于员工唯一的身份ID存储员工的职员基本信息，使得每一员工都能唯一对应一职员基本信息。

S32：采用分布式存储的方式建立员工的身份ID和职员亲属信息之间的单向层级映射关系，形成一级关系网络。

其中，分布式存储是一种可扩展的系统结构，利用多台存储服务器分担存储负荷，利用位置服务器定位存储信息，不但可以提高系统的可靠性、可用性和存取效率，还易于扩展。单向层级映射关系是一对多的单向关联关系，可以在中心节点的一端增加多个对应的集合映射元素,实现1-N的映射关系，对多个子节点进行关联。

具体地，在本实施例中，一级关系网络是以员工为中心节点，以员工的亲属为子节点，采用MongoDB存储方式，建立的单向层级映射关系。其中，MongoDB是一个基于分布式文件存储的开源数据库系统，在高负载的情况下，可以添加更多的节点，以保证服务器的性能。MongoDB旨在为WEB应用提供可扩展的高性能数据存储解决方案。MongoDB将数据存储为一个文档，数据结构由键值对(key＝>value)组成，将身份ID作为key值存储，职员亲属信息作为value值存储。key值包含了身份ID对应的职员基本信息，value值包含了职员亲属信息。通过key＝>value键值对，建立员工的职员基本信息和员工亲属的职员亲属信息之间的单向层级映射关系，形成一级关系网络。

具体地，每一员工对应一个用于标识其身份的身份ID，基于该身份ID存储其职员基本信息，然后以该身份ID为key值，对应的value值存储其职员亲属信息，key＝>value键值对，建立单向层级映射关系，形成一级关系网络。一个身份ID下可对应存储多个与该身份ID有亲属关系的职员亲属信息。

在本实施例中，基于员工的身份ID存储职员基本信息，以便于每一员工与职员基本信息一一对应，便于查询；采用分布式存储方式建立单向层级映射关系，使得一级关系网络便于扩展，便于清晰准确的展示职员基本信息与职员亲属信息之间的关联关系。

在一具体实施方式中，如图4所示,步骤S4，即基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络，具体包括如下步骤：

S41：基于职员基本信息计算员工之间的职员基本信息的相同信息项。

其中，相同信息项是指员工之间的职员基本信息中相同的信息项。

具体地，根据员工的职员基本信息，查询员工之间是否存在相同信息项，计算员工之间的职员基本信息的相同信息项。例如，职员基本信息包括员工的员工工号，员工姓名，证件类型，证件号，手机号，住址，子公司、所属部门、籍贯、毕业院校等个人信息的信息项，同一部门的员工之间其所属部门是相同的，则该部门员工之间具有相同的所属部门这一相同信息项，同一院校毕业的员工之间其毕业院校是相同的，则该院校毕业的员工之间具有毕业院校这一相同信息项。

S42：基于员工之间的相同信息项计算员工之间的亲密度。

其中，亲密度是指员工之间基于同一交际圈的关联关系。

具体地，查找不同员工之间的职员基本信息的相同信息项，基于员工之间的职员基本信息存在的相同信息项的数量计算员工之间的亲密度，可以理解地，员工之间的职员基本信息的相同信息项越多，则该两个员工之间的亲密度越大。设置每一项相同信息项对应的亲密度为1，若员工之间存在3个相同信息项，则亲密度为3。

S43：若员工之间的亲密度达到判别阈值，则将员工的职员基本信息建立二级关系网络。

其中，判别阈值是指用于判别是否达到能够建立二级关系网络的亲密度的阈值。

具体地，可以根据实际需求设置判别阈值，若要求严格，筛选范围大，则判别阈值设置得越低，若要求精细，筛选范围小，则判别阈值设置得越高。基于判别阈值判断员工之间的亲密度，若员工之间的亲密度达到判别阈值，则将该两个员工的职员基本信息建立二级关系网络。例如，A公司的员工甲和员工乙的职员基本信息中的所属部门都是B部门，毕业学校都是C学校，存在三个相同信息项，则员工甲和员工乙之间的职员基本信息的亲密度为3。设定二级关系网络的亲密度的判别阈值为3，则员工甲和员工乙之间的亲密度达到了判别阈值，则将员工甲和员工乙的职员基本信息建立二级关系网络。

本实施例中以基于同一公司、所属部门和毕业学校的亲密度，将就职于同一部门以及同一毕业学校的员工的职员基本信息建立二级关系网络。

在一具体实施方式中，步骤S5，即基于一级关系网络和二级关系网络，建立关系数据模型，具体包括如下步骤：

将同一职员基本信息的一级关系网络和二级关系网络进行合并建立关系数据模型。

具体地，一级关系网络中每一员工都是中心节点，基于员工的身份ID存储有职员基本信息，以及单向映射存储有员工的职员亲属信息。在二级关系网络中，同样以每一员工的身份ID为节点，根据员工之间的亲密度建立双向的关联关系。将同一职员基本信息的一级关系网络和二级关系网络基于员工的身份ID进行合并，建立关系数据模型。

本实施例中根据员工的身份ID，以每一员工为中心节点，将将同一职员基本信息的一级关系网络和二级关系网络基于员工的身份ID进行合并，使得亲密度达到判别阈值的员工之间，以及员工与其亲属之间，相互关联，扩大了关系数据模型的查询范围，可以用于防范员工之间相互利用对方的亲属进行违规交易。可以理解地，以上列举的计算亲密度的相同信息项的具体内容，仅是对相同信息项以及判别阈值的一个示例性说明，具体内容可以基于实际需要进行调整，在此不做具体限定。

在一具体实施方式中，如图5所示,步骤S7，即基于交易对象信息查询关系数据模型，获取交易对象信息的关系对比度，具体包括如下步骤：

S71：获取交易对象信息中的交易对象关键信息作为待匹配参数。

其中，交易对象关键信息是指交易对象信息中能够表明交易对象身份的重点信息，例如，交易对象信息中的客户姓名、客户电话、客户住址、客户证件号等单独或经过组合可以确定交易对象身份的信息。待匹配参数是指用于作为匹配特征去查询关系数据模型的参数，例如将交易对象的客户姓名、客户电话作为待匹配参数去查询。

进一步地，可以将多个交易对象关键信息采用逻辑运算符进行组合，将组合的交易对象关键信息作为待匹配参数，例如，用“or”的组合方式，将“客户姓名or客户电话”组合为待匹配参数进行查询，以扩大查询范围；或者用“and”的组合方式，将“客户姓名and客户电话”组合为待匹配参数进行查询，以精确查询结果。

S72：基于待匹配参数，查询关系数据模型，从关系数据模型中获取与待匹配参数匹配成功的职员亲属信息，作为目标亲属信息。

其中，目标亲属信息是指基于待匹配参数查询关系数据模型，与待匹配参数存在任一相同信息的职员亲属信息。匹配成功是指待匹配参数中有任一项特征参数与职员亲属信息相同，即为匹配成功，例如，待匹配参数包括客户姓名、客户电话、客户证件号三个特征参数，其中客户姓名与职员亲属信息中的亲属姓名相同，则匹配成功，该职员亲属信息为目标亲属信息。

具体地，将待匹配参数查询关系数据模型，若关系数据模型中存在与任一待匹配参数匹配成功的职员亲属信息，则获取与待匹配参数匹配成功的职员亲属信息，作为目标亲属信息。例如，待匹配参数有四个特征参数分别为客户姓名、客户电话客、户证件类型和客户证件号，在关系数据模型中的职员亲属信息只要存在有与其中一个待匹配参数的特征参数相同，即为匹配成功，该职员亲属信息即为目标亲属信息。目标亲属信息中至少有一项信息与待匹配参数相同。

S73：采用编辑距离算法，计算每一目标亲属信息与待匹配参数的相似度，将数值最大的相似度确定为交易对象信息的关系对比度。

其中，编辑距离算法，又称Levenshtein距离算法，是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数，如果它们的距离越大，说明它们相似度越低。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符，即为改、增、删。可以理解地，字符串编辑距离越小，两个字符串的相似度越大，若两个字符串编辑距离为0，则字符串相似度为100％，说明两个字符串完全匹配成功。相似度是指目标亲属信息与待匹配参数的相似程度。关系对比度是指交易对象信息在关系数据模型中的对比度，即交易对象信息与职员基本信息之间的关联程度。

具体地，采用编辑距离算法将待匹配参数分别与每一目标亲属信息进行匹配，分别记录每一目标亲属信息与待匹配参数的相似度。例如，待匹配参数有四个特征参数分别为客户姓名、客户电话、客户证件类型和客户证件号，基于待匹配参数中的客户姓名在关系数据模型中查询，记录待匹配参数中的客户姓名与每一目标亲属信息中的亲属姓名是否匹配成功。然后进一步匹配待匹配参数中的客户电话，记录匹配参数中的客户电话与每一目标亲属信息中的亲属电话是否匹配成功，直至将待匹配参数中的所有特征参数都匹配完成。然后计算每一目标亲属信息与待匹配参数的相似度。若一目标亲属信息中存在亲属姓名、亲属电话、亲属证件类型和亲属证件号全都与待匹配参数的4个特征参数相同，则该目标亲属信息与待匹配参数的相似度为100％；若另一目标亲属信息中只与待匹配参数4个特征参数中的2个特征参数相同，则该目标亲属信息与待匹配参数的相似度为50％。目标亲属信息与待匹配参数的相似度越大，则目标亲属信息与交易对象信息越相似，交易对象是职员亲属的可能性越大。将数值最大的相似度确定为交易对象信息的关系对比度。

其中，待匹配参数与目标亲属信息采用编辑距离算法计算是否匹配成功，采用编辑距离算法逐一比对待匹配参数的每一特征参数与目标亲属信息的相应信息项，例如，采用编辑距离算法，将待匹配参数的客户姓名替换成目标亲属信息中的亲属姓名，记录字符串编辑距离，若字符串编辑距离大于0，则客户姓名与亲属姓名不完全一致，则该客户姓名与亲属姓名匹配不成功。若字符串编辑距离等于0，则客户姓名与亲属姓名完全一致，该客户姓名与亲属姓名匹配成功。

在本实施例中，通过将交易对象关键信息作为待匹配参数，使交易对象的识别更准确，基于待匹配参数查询关系数据模型，获取匹配成功的职员亲属信息作为目标亲属信息，可以筛选掉大部分不符合条件的职员亲属信息，然后采用编辑距离算法计算目标亲属信息与待匹配参数的相似度，使得待匹配参数与目标亲属信息的匹配更精确，提高识别的准确度。

在一实施例中，如图6所示，步骤S9，即若风险订单违规，则调用拦截接口对违规的风险订单进行拦截，具体包括如下步骤：

S91：生成违规标识，基于违规标识，触发钩子函数。

其中，违规标识是用于标明风险订单违规的标识。钩子函数是一个处理消息的程序段，通过服务端的调用，设置为拦截接口。当钩子函数被某一特定因素触发，在违规的风险订单还未完成订单交易时，钩子函数就先拦截该违规的风险订单，亦即钩子函数先得到控制权。通过钩子函数，可以截取违规的风险订单避免传入下一执行程序。

具体地，若风险订单违规，则基于违规的风险订单生成违规标识，设定钩子函数的触发因素为检测到违规标识，则触发钩子函数。

S92：采用钩子函数对违规风险订单进行拦截。

具体地，在订单执行交易的程序之前设置拦截接口插入钩子函数，违规标识触发拦截接口的钩子函数，所以必须先执行该钩子函数。钩子函数先得到控制权，在违规的风险订单还未传递到达订单执行交易的程序时，采用钩子函数拦截违规的风险订单。

可以理解地，钩子函数相当于一种可以对当前的风险订单运行过程进行修改的特殊功能函数，用于拦截违规的风险订单。

S93：生成并发送风险订单违规警告消息。

具体地，拦截了违规的风险订单后，生成风险订单违规警告消息，并将风险订单违规警告消息通过预设的方式发送给人工审核处理。可以是通过邮件方式发送至指定邮箱，也可以是以推送消息的方式推送给指定的审核人员。

在本发明实施例提供的风险基于关系数据模型的订单拦截方法中，针对违规的风险订单生成违规标识，利于对违规的风险订单进行监控；基于违规标识触发拦截接口的钩子函数，利用钩子函数拦截违规的风险订单，以便于及时的自动化拦截违规的风险订单，提高拦截违规的风险订单的效率；最后针对违规的风险订单生成并发送风险订单违规警告消息，以提醒管理人员，便于进行人工管控和审核。

在一实施例中，步骤S9之后，即在若风险订单违规，则调用拦截接口对违规的风险订单进行拦截之后，该基于关系数据模型的订单拦截方法还包括如下步骤：

基于违规的风险订单，获取办理违规的风险订单的业务人员的职员基本信息，以及交易对象在职员亲属关系数据模型中对应的违规员工的职员基本信息。

具体地，若风险订单违规，从交易对象信息中获取到该风险订单的订单号，基于风险订单中的业务人员，获取办理该违规的风险订单的业务人员的职员基本信息。再基于违规的风险订单的交易对象信息查找到关系数据模型中交易对象信息关系对比度最大的目标亲属信息，获取该目标亲属信息对应的违规员工的职员基本信息。

进一步地，比对交易对象关联最大的违规员工的职员基本信息和办理该违规的风险订单的业务人员的职员基本信息，即对比违规的风险订单中违规员工和办理该违规的风险订单的业务人员是否为同一人，若违规员工的职员基本信息与业务人员的职员基本信息相同，则判断违规的风险订单可能是业务人员借由职位之便，给自己的亲属违规办理的，违规员工一人违反公司规定；若违规员工的职员基本信息与业务人员的职员基本信息不同，则可以查询违规员工与业务人员的亲密度，该违规的风险订单可能是业务人员借由职位之便，给与其关系好的违规员工的亲属违规办理的，涉及业务人员和违规员工两人违反公司规定。

本实施例中，通过获取办理违规的风险订单的业务人员的职员基本信息，以及交易对象在职员亲属关系数据模型中对应的违规员工的职员基本信息，以判断业务人员与违规职员之间的关联关系，使得对违规的风险订单的查询更加准确，以防止职员之间相互协作进行的违规交易，提高了安全性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图7示出与实施例中基于关系数据模型的订单拦截方法一一对应的基于关系数据模型的订单拦截装置的原理框图。如图7所示，该基于关系数据模型的订单拦截装置包括基本信息获取模块1、亲属信息获取模块2、一级网络模块3、二级网络模块4、关系数据模型建立模块5、风险订单获取模块6、对比度获取模块7、违规判断模块8和订单拦截模块9。其中，基本信息获取模块1、亲属信息获取模块2、一级网络模块3、二级网络模块4、关系数据模型建立模块5、风险订单获取模块6、对比度获取模块7、违规判断模块8和订单拦截模块9的实现功能与实施例中基于关系数据模型的订单拦截方法对应的步骤一一对应，各功能模块详细说明如下：

基本信息获取模块1，用于获取员工的职员基本信息。

亲属信息获取模块2，用于获取员工亲属的个人信息作为职员亲属信息。

一级网络模块3，用于基于员工的职员基本信息和职员亲属信息，形成一级关系网络。

二级网络模块4，用于基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络。

关系数据模型建立模块5，用于基于一级关系网络和二级关系网络，建立关系数据模型。

风险订单获取模块6，用于获取风险订单，风险订单包含交易对象信息。

对比度获取模块7，用于基于交易对象信息查询关系数据模型，获取交易对象信息的关系对比度。

违规判断模块8，用于基于关系对比度，判断风险订单是否违规。

订单拦截模块9，用于若风险订单违规，则调用拦截接口对违规的风险订单进行拦截。

优选地，一级网络模块3包括：基本信息存储单元31和映射关系单元32。

基本信息存储单元31，用于基于员工的身份ID，存储员工的职员基本信息。

映射关系单元32，用于采用分布式存储的方式建立员工的身份ID和职员亲属信息之间的单向层级映射关系，形成一级关系网络。

优选地，二级网络模块4包括：相同信息项计算单元41，亲密度计算单元42和二级网络建立单元43。

相同信息项计算单元41，用于基于职员基本信息计算员工之间的职员基本信息的相同信息项。

亲密度计算单元42，用于基于员工之间存在的相同信息项计算员工之间的亲密度。

二级网络建立单元43，用于若员工之间的亲密度达到判别阈值，则将员工的职员基本信息建立二级关系网络。

优选地，关系数据模型建立模块5包括：模型建立单元51。

模型建立单元51，用于将同一职员基本信息的一级关系网络和二级关系网络进行合并建立关系数据模型。

优选地，对比度获取模块7包括：待匹配参数获取单元71、关系数据模型查询单元72和相似度计算单元73。

待匹配参数获取单元71，用于获取交易对象信息中的交易对象关键信息作为待匹配参数。

关系数据模型查询单元72，用于基于待匹配参数，查询关系数据模型，从关系数据模型中获取与待匹配参数匹配成功的职员亲属信息，作为目标亲属信息。

相似度计算单元73，用于采用编辑距离算法，计算每一目标亲属信息与待匹配参数的相似度，将数值最大的相似度确定为交易对象信息的关系对比度。

优选地，订单拦截模块9包括：违规标识生成单元91、订单拦截单元92和警告信息发送单元93。

违规标识生成单元91，用于生成违规标识，基于违规标识，触发钩子函数。

订单拦截单元92，用于采用钩子函数对违规风险订单进行拦截。

警告信息发送单元93，用于生成并发送风险订单违规警告消息。

优选地，该基于关系数据模型的订单拦截装置还包括：关联职员信息获取模块10。

关联职员信息获取模块10，用于基于违规的风险订单，获取办理违规的风险订单的业务人员的职员基本信息，以及交易对象在职员亲属关系数据模型中对应的违规员工的职员基本信息。

关于基于关系数据模型的订单拦截装置的具体限定可以参见上文中对于基于关系数据模型的订单拦截方法的限定，在此不再赘述。上述基于关系数据模型的订单拦截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8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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基于关系数据模型的订单拦截方法。或者，该计算机程序被处理器执行时实现实施例中基于关系数据模型的订单拦截装置中各模块/单元的功能

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上述实施例基于关系数据模型的订单拦截方法的步骤。或者，处理器执行计算机程序时实现上述实施例基于关系数据模型的订单拦截装置的各模块/单元的功能。为避免重复，这里不再赘述。

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上述实施例基于关系数据模型的订单拦截方法的步骤，或者，计算机程序被处理器执行时实现上述实施例基于关系数据模型的订单拦截装置的各模块/单元的功能，为避免重复，这里不再赘述。

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，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。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于关系数据模型的订单拦截方法，其特征在于，包括：

获取员工的职员基本信息；

获取员工亲属的个人信息作为职员亲属信息；

基于员工的身份ID，存储员工的所述职员基本信息；

采用分布式存储的方式建立员工的所述身份ID和所述职员亲属信息之间的单向层级映射关系，形成一级关系网络；

基于所述职员基本信息计算员工之间的职员基本信息的相同信息项；

基于员工之间的所述相同信息项计算员工之间的亲密度；

若员工之间的亲密度达到判别阈值，则将员工的职员基本信息建立二级关系网络；

基于所述一级关系网络和所述二级关系网络，建立关系数据模型；

获取风险订单，所述风险订单包含交易对象信息；

获取所述交易对象信息中的交易对象关键信息作为待匹配参数；

基于所述待匹配参数，查询所述关系数据模型，从所述关系数据模型中获取与所述待匹配参数匹配成功的职员亲属信息，作为目标亲属信息；

采用编辑距离算法，计算每一所述目标亲属信息与所述待匹配参数的相似度，将数值最大的相似度确定为所述交易对象信息的关系对比度；

基于所述关系对比度，判断所述风险订单是否违规；

若所述风险订单违规，则调用拦截接口对违规的所述风险订单进行拦截；基于所述违规的风险订单，获取办理所述违规的风险订单的业务人员的职员基本信息，以及交易对象在所述关系数据模型中对应的违规员工的职员基本信息；

比对交易对象关联最大的违规员工的职员基本信息和办理该违规的风险订单的业务人员的职员基本信息，若违规员工的职员基本信息与业务人员的职员基本信息相同，则判断违规的风险订单是业务人员借由职位之便，给自己的亲属违规办理的，违规员工一人违反公司规定；若违规员工的职员基本信息与业务人员的职员基本信息不同，则查询违规员工与业务人员的亲密度。

2.如权利要求1所述的基于关系数据模型的订单拦截方法，其特征在于，所述基于所述一级关系网络和所述二级关系网络，建立关系数据模型，具体包括如下步骤：

将同一职员基本信息的所述一级关系网络和所述二级关系网络进行合并建立关系数据模型。

3.如权利要求1所述的基于关系数据模型的订单拦截方法，其特征在于，所述若所述风险订单违规，调用拦截接口对违规的所述风险订单进行拦截，具体包括以下步骤：

生成违规标识，基于所述违规标识，触发钩子函数；

采用所述钩子函数对违规风险订单进行拦截；

生成并发送风险订单违规警告消息。

4.一种基于关系数据模型的订单拦截装置，其特征在于，适用于权利要求1-3任意一项所述的基于关系数据模型的订单拦截方法，包括：

基本信息获取模块，用于获取员工的职员基本信息；

亲属信息获取模块，用于获取员工亲属的个人信息作为职员亲属信息；

一级网络模块，用于基于员工的所述职员基本信息和所述职员亲属信息，形成一级关系网络；

二级网络模块，用于基于员工之间的亲密度，将相应的职员基本信息建立二级关系网络；

关系数据模型建立模块，用于基于所述一级关系网络和所述二级关系网络，建立关系数据模型；

风险订单获取模块，用于获取风险订单，所述风险订单包含交易对象信息；

对比度获取模块，用于基于所述交易对象信息查询关系数据模型，获取所述交易对象信息的关系对比度；

违规判断模块，用于基于所述关系对比度，判断所述风险订单是否违规；

订单拦截模块，用于若所述风险订单违规，则调用拦截接口对违规的所述风险订单进行拦截。

5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至3任一项所述基于关系数据模型的订单拦截方法的步骤。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于关系数据模型的订单拦截方法的步骤。