CN109741065A - 一种支付风险识别方法、装置、设备及存储介质 - Google Patents
一种支付风险识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109741065A CN109741065A CN201910081302.9A CN201910081302A CN109741065A CN 109741065 A CN109741065 A CN 109741065A CN 201910081302 A CN201910081302 A CN 201910081302A CN 109741065 A CN109741065 A CN 109741065A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- history
- data
- payment
- 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.)
- Pending
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种支付风险识别方法、装置、设备及存储介质，其中，该方法包括：获取与目标支付行为对应的至少一项风险识别参数；其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；确定与所述风险识别参数匹配的用户历史特征数据；根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。本发明实施例提供的技术方案可以为风险预测提供更多的分析数据，可以准确识别支付风险，可以降低运营成本，可以提高效率。
Description
技术领域
本发明实施例涉及支付技术领域，尤其涉及一种支付风险识别方法、装置、设备及存储介质。
背景技术
互联网支付或者移动支付的场景越来越多，应用也愈加普遍。但随之而来的，支付的风险也随之产生。
相关技术中，针对互联网支付或者移动支付，用户支付行为的风险识别采用的方法是：人工通过风控规则引擎针对不同风险特点配置不同的规则，当识别到用户支付行为符合配置的规则时，可以确定用户支付行为存在的风险，但是现有技术中这种风险识别的方法并不准确，并且人工进行规则配置也会导致运营成本高，效率低的问题。
发明内容
本发明实施例提供了一种付风险识别方法、装置、设备及存储介质，可以准确识别支付风险，并且可以降低运营成本，提高效率。
第一方面，本发明实施例提供了一种支付风险识别方法，包括：
获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
确定与所述风险识别参数匹配的用户历史特征数据；
根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
第二方面，本发明实施例还提供了一种支付风险识别装置，包括：
参数获取模块，用于获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
特征数据确定模块，用于确定与所述风险识别参数匹配的用户历史特征数据；
预测结果确定模块，用于根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
第三方面，本发明实施例提供了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的支付风险识别方法。
第四方面，本发明实施例提供的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，该程序被处理器执行时实现本发明实施例提供的支付风险识别方法。
本发明实施例提供的技术方案，通过获取与用户的目标支付行为对应的至少一项风险识别参数，并确定与风险识别参数匹配的用户历史特征数据，其中，风险识别参数包括用户账号信息，用户设备标识信息、用户IP地址和用户订单信息；通过用户历史特征数据确定风险预测结果；即通过与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项匹配的用户历史特征数据确定风险预测结果，可以为风险预测提供更多的分析数据，可以准确识别支付风险，可以降低运营成本，可以提高效率。
附图说明
图1是本发明实施例提供的一种支付风险识别方法流程图；
图2是本发明实施例提供的一种支付风险识别方法流程图；
图3a是本发明实施例提供的一种支付风险识别方法流程图；
图3b是本发明实施例提供的一种支付风险识别方法流程图；
图4a是本发明实施例提供的一种支付风险识别方法流程图；
图4b是本发明实施例提供的一种风险识别系统的结构示意图；
图4c是本发明实施例提供的一种支付风险识别方法流程图；
图5是本发明实施例提供的一种支付风险识别装置结构框图；
图6是本发明实施例提供的一种设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种支付风险识别方法流程图，所述方法可以由支付风险识别装置来执行，所述装置可以由软件和/或硬件构成，所述装置可以集成在电子设备中，其中电子设备可以是服务器等。
所述方法可以应用在商家平台或者第三方平台对支付风险识别的场景中。其中，第三方平台可以按照特定的交易与服务规则，对买卖双方提供服务，服务内容可以包括但不限于供求信息发布与搜索、交易的确定、支付等。其中，当商家平台可以自己提供供求信息发布与搜索、交易确定、支付等服务时，本发明实施例提供的方法可以应用于商家平台对支付风险识别的场景中。当商家平台需要依靠第三方平台提供供求信息发布与搜索、交易确定、支付等服务时，本发明实施例提供的方法可以应用于第三方法平台对支付风险识别的场景中。可选的，本发明实施例提供的方法可以由风险识别系统来执行，其中，风险识别系统可以配置商家平台或者第三方平台中，所述商家平台或者第三方平台可以配置在服务器等设备中。
本发明实施例提供的方法可以具体应用于如下的场景中：相关技术中，针对互联网支付或者移动支付，用户支付行为存在的风险有：洗钱、盗号、套码、二清、信息泄露、恶意退款等。其中，每种风险都有固有的特征，随着技术的发展，风险特征本身也会发生变化，给风险的控制带来困难。相关技术中，针对互联网支付或者移动支付，识别用户支付行为的风险采用的方法是：人工通过风控规则引擎针对不同风险特点配置不同的规则，当识别到用户支付行为符合配置规则时，可以确定用户支付行为存在的风险，但是现有技术中上述风险识别的方法并不准确，并且人工进行规则配置也会导致运营成本高，效率低的问题。
本发明实施例提供通过与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项匹配的用户历史特征数据确定风险预测结果，可以为用户支付行为的风险预测提供更多的分析数据，使支付风险的预测更加准确，并且本发明实施例中通过对用户历史特征数据的分析计算即可得到风险预测结果，可以无需人工的参与，可以准确识别支付风险，可以提前识别支付风险，从而可以减少或者避免洗钱、盗号、套码、二清、信息泄露、恶意退款等现象，可以降低运营成本，可以提高效率。
如图1所示，本发明实施例提供的技术方案包括：
S110：获取与目标支付行为对应的至少一项风险识别参数；其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息。
在本发明实施例的一个实施方式中，获取与目标支付行为对应的至少一项风险识别参数，可以包括：当检测到针对目标支付行为的风险识别请求时，获取与目标支付行为对应的至少一项风险识别参数。其中，当用户进行支付时，用户端可以将针对目标支付行为的支付请求发送至支付系统，其中，该支付请求中可以携带至少一项风险识别参数。当支付系统接收到用户端发送的支付请求时，可以向风险识别系统发送针对用户的目标支付行为的支付风险识别请求，当风险识别系统检测到支付风险识别请求时，获取至少一项风险识别参数。其中，风险识别参数可以携带在支付风险识别请求中；或者若支付风险识别请求中可以不携带至少一项风险识别参数，支付系统可以向风险识别系统发送针对目标支付行为的支付风险识别请求以及至少一项风险识别参数。
其中，支付系统和风险识别系统可以配置在一个设备中，或者也可以配置在不同的设备中。
S120：确定与所述风险识别参数匹配的用户历史特征数据。
在本发明实施例中，与每一项风险识别参数匹配的用户历史特征数据可以包括至少一种类型的历史特征数据。其中，用户历史特征数据可以包括历史注册信息、历史身份级别信息、历史消费行为数据、历史非消费行为数据以及历史订单数据中的至少一项或者至少多项。具体确定与风险识别参数匹配的用户历史特征数据的方法可以参考下述实施例中的详细介绍。
S130：根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
在本发明实施例中，风险预测结果可以是风险值，或者也可以是用于表征风险大小的其他形式数据。
在本发明实施例的一个实施方式中，根据用户历史特征数据，确定与目标支付行为对应的风险预测结果，可以具体是，可以将用户历史特征数据转换成预设算法适配的数据，将适配的数据输入到预设算法中，得到风险预测结果。其中，与预设算法适配的数据可以是基于用户历史特征数据中的至少一个数据确定的对应特征值。其中，预设算法可以是需要进行选择。
在本发明实施例的另外一个实施方式中，根据用户历史特征数据，确定与目标支付行为对应的风险预测结果可以具体是：可以将历史特征数据转换成风险识别模型适配的待输入数据，将待输入数据输入到风险识别模型中，得到风险预测结果。风险预测模型适配的待输入数据可以是基于用户历史特征数据中的至少一个数据确定的对应特征值。其中，风险识别模型为经过训练的人工智能模型。
相关技术中，支付风险识别方法是：人工配置风险识别的规则，当接收到针对用户支付行为的风险识别请求时，判断用户支付行为的数据是否符合配置的风险识别规则。其中，相关技术中的方法中，人工配置风险识别规则由于是人工操作，运营成本高，效率也较低，并且人工配置风险识别规则时，由于存在人为的主观因素，存在规则配置不合理或者不准确的现象，也会造成风险预测并不准确的问题。而本发明实施例中，当检测到针对用户支付行为的风险识别请求时，通过确定与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项匹配的用户历史特征数据，并通过用户历史特征数据直接得到风险预测结果，即通过对用户历史特征数据的分析计算得到风险预测结果，无需人工的参与，可以排除人为因素的影响，并且可以降低运营成本，提高效率，准确识别支付风险，可以提前识别支付风险，发现未知的风险，从而可以减少或者避免洗钱、盗号、套码、二清、信息泄露、恶意退款等现象；另外，通过与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项确定用户历史特征数据，可以为风险预测提供更多的分析数据，从而提高支付风险识别的准确性。
本发明实施例提供的技术方案，通过获取与用户的目标支付行为对应的至少一项风险识别参数，并确定与风险识别参数匹配的用户历史特征数据，其中，风险识别参数包括用户账号信息，用户设备标识信息、用户IP地址和用户订单信息；通过用户历史特征数据确定风险预测结果，即通过与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项匹配的用户历史特征数据确定风险预测结果，可以为风险预测提供更多的分析数据，可以准确识别支付风险，可以降低运营成本，可以提高效率。
图2是本发明实施例提供的一种支付风险识别方法流程图，在本发明实施例中，可选的，根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果，可以包括：
将所述用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中；
获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果。
如图2所示，本发明实施例提供的技术方案包括：
S210：当检测到针对目标支付行为的支付风险识别请求时，获取与所述目标支付行为对应的至少一项风险识别参数；其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息。
S220：确定与所述风险识别参数匹配的用户历史特征数据。
在本发明实施例的一个实施方式中，可选的，确定与所述风险识别参数匹配的用户历史特征数据，包括如下至少一项：
确定与所述用户账号信息关联的历史注册信息、历史身份级别信息、第一历史消费行为数据、第一历史非消费行为数据以及第一历史订单数据作为所述用户历史特征数据；
确定与所述用户设备标识信息匹配的第二历史消费行为数据、第二历史非消费行为数据以及第二历史订单数据作为所述用户历史特征数据；
确定与所述用户IP地址匹配的第三历史消费行为数据、第三历史非消费行为数据和第三历史订单数据作为所述用户历史特征数据；以及
确定与所述用户订单信息中的关键信息匹配的第四历史订单数据作为所述用户历史特征数据。
其中，历史注册信息可以包括用户历史注册的年龄信息、性别信息，注册地点等信息。历史身份级别信息可以是用户是否会员信息、会员等级信息等。历史消费行为数据可以包括消费时间数据、消费金额数据等，非消费行为数据可以包括用户的评论数据、用户浏览商品的数据等。历史订单数据可以包括支付金额信息、支付方式信息以及商品类型信息等。
其中，确定与用户IP地址匹配的用户历史特征数据的方式可以是：确定与用户IP地址匹配的至少一个用户账号信息，并确定与至少一个用户账号匹配的历史消费行为数据、历史非消费行为数据和历史订单数据作为所述用户历史特征数据。或者确定与用户IP地址匹配的至少一个用户设备的标识信息，并确定与至少一个用户设备的标识信息匹配的历史消费行为数据、历史非消费行为数据和历史订单数据作为所述用户历史特征数据。
其中，用户订单信息包括支付金额信息、支付方式信息以及商品类型信息等。其中，用户订单信息中的关键信息包括支付金额信息、支付方式信息以及商品类型信息中的至少一项。
由此，通过上述确定用户历史特征数据的方法，可以针对用户的支付行为关联较全面的历史特征数据，为用户支付风险的识别提供数据支持，使后续的支付风险识别更加准确。
S230：将所述用户历史特征数据按照匹配的数据处理方式，转换为风险识别模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中。
在本发明实施例中，可以将用户历史特征数据按照匹配的数据处理方式，转换为风险识别模型适配的待输入数据。具体是，可以将用户历史特征数据进行分类汇总。其中，用户历史特征数据划分的类别可以是历史注册信息、历史身份级别信息、历史消费行为数据、历史非消费行为数据以及历史订单数据，将分类的数据转换成风险识别模型适配的待输入数据。
其中，待输入数据可以是基于用户历史特征数据中的至少一个数据确定的对应特征值。其中，历史身份级别信息不同，对应的特征值也可以是不相同的。历史注册信息不同，对应的特征值也可以是不相同的。例如，若根据历史注册信息判断用户性别为男，则对应特征值可以是1，若根据历史注册信息判断用户性别为女，则对应特征值可以0。
其中，将历史消费行为数据转换为特征值的方法可以是：对预设时间段的历史消费行为数据进行分析，当用户消费频率大于预设频率值时，则预设时间段内的历史消费行为数据对应的特征值为第一预设值，否则，预设时间段内的历史消费行为数据对应的特征值为第二预设值。其中，确定历史消费行为数据对应特征值的方法并不局限于上述的方法。同理，确定历史非消费行为数据以及历史订单数据分别对应特征值的方法与上述确定历史消费行为数据对应特征值的方法类似，只是数据处理方式中的设置的规则可以不相同。在本发明实施例的一个实施方式中，将所述用户历史特征数据按照匹配的数据处理方式，转换为风险识别模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中，之前还可以包括：对风险预测模型进行训练的训练。具体的方法是：选取多个样本数据集，并确定每个样本数据集对应的标准风险值；其中，每个样本数据集包括用户历史特征数据；根据所述样本数据集中包括的数据，生成样本输入数据；将所述样本输入数据以及所述标准风险值输入到预设的人工智能模型中进行训练，得到所述风险预测模型。
在本发明实施例中，每个样本数据集中包括的用户历史特征数据的类别可以是至少一个类别，每个样本数据集中包括的用户历史特征数据中数据数量可以是多个。其中，样本输入数据可以是基于每个样本数据集中的用户历史特征数据生成的特征值的集合。
在本发明实施例的一个实施方式中，将所述样本输入数据以及所述标准风险值输入到预设的人工智能模型中进行训练，得到所述风险预测模型，可以包括：将所述样本输入数据输入到逻辑回归算法模型中的如下模型方程中，得到概率数值，并作为得到目标风险值；
其中，其中，xi'是输入到模型中的第i个数据；n为输入到模型的数据的数量；wi是xi'对应的系数，b为偏移量；f(x)为目标风险值；
将所述目标风险值和所述标准风险值输入到预设的损失函数中，得到损失值；若所述损失值不符合预设条件，则根据所述损失值调整所述模型方程的系数，获取下一组样本输入数据，并返回将样本数据输入到所述逻辑回归算法模型中的模型方程中的操作，直至所述损失值符合所述预设条件。
其中，逻辑回归算法模型，是在线性关系的基础上，映射函数，能够将用户历史特征数据的分类结果映射到[0,1]之间。
其中，损失值的大小可以用于判断目标风险值和标准风险值之间的差距，当损失值越大时，可以表征目标风险值和标准风险值之间的差距越大；当损失值越小时，表征目标风险值和标准风险值之间的差距越小。预设条件可以是预设值，当损失值不符合预设条件时，根据损失值调整模型方程的参数，参数可以是wi和b，则继续获取下一组样本输入数据，重复上述参数调整的过程，直至损失值符合预设条件。
需要说明的是，风险识别模型中参数调整的结束条件，并不局限于损失值符合预设条件，还可以是其他条件。例如，人工智能模型的迭代次数达到设定次数等。
S240：获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果。
在本发明实施例的一个实施方式中，可选的，将所述用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中，包括：
将所述用户历史特征数据按照匹配的数据处理方式，转换为逻辑回归算法模型适配的待输入数据，并将所述待输入数据输入到所述逻辑回归算法模型的如下模型方程中：
其中，其中，xi'是待输入数据中第i个数据；n为待输入数据中数据的数量；wi是xi'对应的系数，b为偏移量；f(x)为概率数值。
相应的，所述获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果，包括：
获取逻辑回归算法模型输出的概率数值，作为所述目标支付行为对应的风险预测值。其中，风险值的范围可以是[0,1]。本发明实施例中，通过将用户历史特征数据转换成风险识别模型适配的待输入数据，将待输入数据输入到风险预测模型中，得到风险预测结果，可以对用户历史特征数据进行分析计算，得到风险预测结果，相对于相关技术中采用规则匹配的方式得到风险预测结果而言，无需预先进行人工进行规则配置，可以降低运营成本，提高效率，并且通过将模型进行训练，得到风险预测模型，并基于风险预测模型得到风险预测结果，避免了人为主观规则配置造成的配置不合理或者不准确的问题，从而可以准确识别支付风险。
在上述实施例的基础上，所述方法还包括：所述支付风险识别请求为支付系统接收到用户端针对所述目标支付行为发送的支付请求触发生成；
在根据所述至少一项用户历史特征数据，确定与所述目标支付行为对应的风险预测结果之后，还包括：
根据所述风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略；
如果所述风险处理策略属于第一类处理策略，则执行所述风险处理策略，并将执行结果反馈至所述支付系统；
如果所述风险处理策略属于第二类处理策略，则将所述风险处理策略反馈至所述支付平台，以使所述支付系统执行所述第二类处理策略。
其中，风险处理策略可以是支付请求通过，支付请求拦截、短信验证、验证码验证、支付请求延后处理、账号封禁、拉入黑名单和人工审核，或者风险处理策略并不局限于上述的策略，还可以是其他策略。其中，短信验证、验证码验证、账号封禁、拉入黑名单和人工审核可以是由风险识别系统执行。其中，短信验证和验证码验证的处理策略可以是风险识别系统分别将短信验证信息和验证码验证信息发送至支付系统，由支付系统分别发送至用户端。账号封禁的处理策略，可以是风险识别系统将与目标支付行为对应的用户账号进行封禁，并将执行结果反馈给支付系统。拉入黑名单的处理策略可以是风险识别系统将与目标支付行为对应的用户账号拉入黑名单，并将执行结果反馈给支付系统。人工审核的处理策略可以是风险识别系统提示进行人工进行审核，当人工审核通过时，将执行结果反馈给支付平台。
其中，支付请求通过，支付请求拦截和支付请求延后处理可以是第二类处理策略，可以由风险识别平台反馈给支付系统，由支付系统进行处理。例如，支付请求通过的处理策略，由风险识别系统将该策略反馈给支付系统，支付系统通过用户的支付请求，继续进行后续的操作。支付请求拦截和支付请求延后处理的处理策略可以分别由风险识别系将请求拦截和延后处理的策略反馈给支付系统，支付系统分别对用户的支付请求进行拦截和延后处理。
由此，通过风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略，可以及时应对用户支付的风险，可以针对不同的支付风险采用对应的处理策略。
图3a是本发明实施例提供的一种支付风险识别方法流程图，如图3a所示，本发明实施例提供的技术方案包括：
S310：用户端向支付系统发送针对用户的目标支付行为的支付请求。
S320：支付系统当接收用户端发送的支付请求时，向风险识别系统发送风险识别请求。
其中，风险识别系统和支付系统可以配置在一个设备上，或者也可以配置在不同的设备上。
S330：当风险识别系统检测到针对目标支付行为的支付风险识别请求时，获取与所述目标支付行为对应的至少一项风险识别参数。
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息。
其中，用户端发送的支付请求中可以携带风险识别参数，支付风险识别请求也可以携带风险识别参数。
S340：风险识别系统确定与所述风险识别参数匹配的用户历史特征数据。
S350：风险识别系统根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
S360：风险识别系统根据所述风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略。
S370：风险识别系统判断如果所述风险处理策略属于第一类处理策略，则执行所述风险处理策略，并将执行结果反馈至所述支付系统。
S380：风险识别系统判断如果所述风险处理策略属于第二类处理策略，则将所述风险处理策略反馈至所述支付平台，以使所述支付系统执行所述第二类处理策略。
其中，用户端、支付系统和风险识别系统之间的交互可以参考图3b。如图3b所示，风险识别处理是指风险识别的过程，即可以是指S330-S350。其中，风险识别结果可以是风险处理策略或者风险处理策略的执行结果。
需要说明的是，本发明实施例中的包含的步骤的具体优化步骤可以参考上述实施例，例如，S350步骤的具体优化可以参考上述实施例中的S230和S240。
本发明实施例，通过确定与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项匹配的用户历史特征数据，并通过用户历史特征数据直接得到风险预测结果，即通过对用户历史特征数据的分析计算得到风险预测结果，无需人工的参与，可以排除人为因素的影响，并且可以降低运营成本，提高效率，准确识别支付风险，另外，通过与用户账号信息、用户设备标识信息、用户IP地址和用户订单信息中的至少一项确定用户历史特征数据，可以为风险预测提供更多的分析数据，从而提高支付风险识别的准确性。本发明实施例中通过风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略，可以及时应对用户支付的风险，避免出现洗钱、盗号、套码、二清、信息泄露、恶意退款等现象。
图4a是本发明实施例提供的一种风险识别方法流程图，如图4a所示，本发明实施例提供的技术方案包括：
S410：风险识别系统通过特征工程平台从离线历史数据中选择用户历史特征数据。
S420：风险识别系统通过模型训练平台基于用户历史特征数据对人工智能AI模型进行训练。
S430：风险识别系统通过模型测试平台对训练后的AI模型进行测试。
S440：风险识别系统通过实时计算平台实时确定用户特征数据。
S450：通过实时计算平台实时将用户特征数据进行缓存。
其中，缓存的用户特征数据可以是最近时间段的用户历史特征数据，最近时间段可以是最近一个月，最近一周，其他最近时间段。
S460：当风险识别系统接收到针对目标支付行为的风险识别请求时，从缓存的数据中，选择与目标支付行为对应的风险识别参数匹配的用户历史特征数据。
S470：将用户历史特征数据输入到训练后的AI模型中，得到风险预测结果。
在本发明实施例中，如图4b所示，风险识别系统包括：模型、实时计算平台、离线计算平台、特征工程平台、模型训练平台和模型测试平台。
其中，模型，可以是人工智能模型，可以采用监督学习算法中的逻辑回归算法模型，在线性关系：y＝wx+b的基础上，结合映射函数，能够将用户历史特征数据分类的结果映射成为[0,1]之间的概率，映射函数表达是为：根据映射函数以及上述的线性关系可以得到模型的模型方程。
其中，实时计算平台，可以在开源平台基础上，完成用户实时特征数据的统计、汇总等，并将结果进行缓存，例如可以缓存到消息队列中。
其中，离线计算平台，可以从数据库中获取用户的历史特征数据，并对用户特征的历史数据统计、汇总等，并将结果存放到持久化数据库或者文件中。
其中，特征工程平台，其功能包括选择样本数据集，可以包括五方面的特征数据项：账号相关数据(例如，历史注册数据)、身份相关数据(例如，历史身份级别数据)、历史非消费数据、历史消费行为数据、历史订单数据，并将样本数据集中的数据进行处理，得到样本数据，确定样本数据的标签等，其中，标签是指风险标签，例如，可以是标准风险值，标准风险值可以是1，或者0，其中，1表征有风险，0表征没有风险。其中，标准风险值的确定方法可以适用于本发明任意实施例。
其中，模型训练平台，通过模型训练平台对模型训练的过程本质是确定回归系数的过程，其中，回归系数可以是模型的参数。本发明实施例提供的模型训练可以通过TensorFlow平台进行。其中，TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统。
其中，模型测试平台，可以将待测的用户特征数据作为输入参数，结合训练后的模型，输出风险预测结果，以对训练后的模型进行测试。
需要说明的是，本发明实施例提供的风险识别系统的结构可以适用于本发明任意实施例的风险识别系统。
其中，本发明实施例提供的方法也可以参考图4c所示的流程图。
本发明实施例中，可以基于训练的模型用户历史特征数据进行分析计算，得到风险预测结果，相对于相关技术中采用规则匹配的方式得到风险预测结果而言，无需预先进行人工进行规则配置，可以降低运营成本，提高效率，并且通过将模型进行训练，并基于训练后的模型得到风险预测结果，避免了人为主观规则配置造成的配置不合理或者不准确的问题，从而可以准确识别支付风险。
图5是本发明实施例提供的一种支付风险识别装置结构框图，如图5所示，本发明实施例提供的装置包括：参数获取模块510、特征数据确定模块520和预测结果确定模块530。
其中，参数获取模块510，用于获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
特征数据确定模块520，用于确定与所述风险识别参数匹配的用户历史特征数据；
预测结果确定模块530，用于根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
可选的，所述特征数据确定模块520，用于确定下述至少一项：
确定与所述用户账号信息关联的历史注册信息、历史身份级别信息、第一历史消费行为数据、第一历史非消费行为数据以及第一历史订单数据作为所述用户历史特征数据；
确定与所述用户设备标识信息匹配的第二历史消费行为数据、第二历史非消费行为数据以及第二历史订单数据作为所述用户历史特征数据；
确定与所述用户IP地址匹配的第三历史消费行为数据、第三历史非消费行为数据和第三历史订单数据作为所述用户历史特征数据；以及
确定与所述用户订单信息中的关键信息匹配的第四历史订单数据作为所述用户历史特征数据。
可选的，预测结果确定模块530，用于将所述至少一项用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中；
获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果。
可选的，将所述用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中，包括：
将所述用户历史特征数据按照匹配的数据处理方式，转换为逻辑回归算法模型适配的待输入数据，并将所述待输入数据输入到所述逻辑回归算法模型的如下模型方程中：
其中，其中，xi'是待输入数据中第i个数据；n为待输入数据中数据的数量；wi是xi'对应的系数，b为偏移量；f(x)为概率数值；
相应的，所述获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果，包括：
获取逻辑回归算法模型输出的概率数值，作为所述目标支付行为对应的风险预测值。
可选的，参数获取模块510，用于当检测到针对目标支付行为的风险识别请求时，获取与目标支付行为对应的至少一项风险识别参数；
所述支付风险识别请求为支付系统接收到用户端针对所述目标支付行为发送的支付请求触发生成。
可选的，所述装置还包括处理策略确定模块，用于在根据所述至少一项用户历史特征数据，确定与所述目标支付行为对应的风险预测结果之后，根据所述风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略；
如果所述风险处理策略属于第一类处理策略，则执行所述风险处理策略，并将执行结果反馈至所述支付系统；
如果所述风险处理策略属于第二类处理策略，则将所述风险处理策略反馈至所述支付系统，以使所述支付系统执行所述第二类处理策略。
可选的，所述第一类处理策略包括短信验证、验证码验证、账号封禁、拉入黑名单和人工审核；
所述第二类处理策略包括支付请求通过、支付请求拦截和支付请求延后处理。上述装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
图6是本发明实施例提供的一种设备结构示意图，如图6所示，该设备包括：
一个或多个处理器610，图6中以一个处理器610为例；
存储器620；
所述设备还可以包括：输入装置630和输出装置640。
所述设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种支付风险识别方法对应的程序指令/模块(例如，附图5所示的参数获取模块510、特征数据确定模块520和预测结果确定模块530。。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种支付风险识别方法，即：
获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
确定与所述风险识别参数匹配的用户历史特征数据；
根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的一种支付风险识别方法：
获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
确定与所述风险识别参数匹配的用户历史特征数据；
根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种支付风险识别方法，其特征在于，包括：
获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
确定与所述风险识别参数匹配的用户历史特征数据；
根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
2.根据权利要求1所述的方法，其特征在于，确定与所述风险识别参数匹配的用户历史特征数据，包括下述至少一项：
确定与所述用户账号信息关联的历史注册信息、历史身份级别信息、第一历史消费行为数据、第一历史非消费行为数据以及第一历史订单数据作为所述用户历史特征数据；
确定与所述用户设备标识信息匹配的第二历史消费行为数据、第二历史非消费行为数据以及第二历史订单数据作为所述用户历史特征数据；
确定与所述用户IP地址匹配的第三历史消费行为数据、第三历史非消费行为数据和第三历史订单数据作为所述用户历史特征数据；以及
确定与所述用户订单信息中的关键信息匹配的第四历史订单数据作为所述用户历史特征数据。
3.根据权利要求1或2所述的方法，其特征在于，根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果，包括：
将所述用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中；
获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果。
4.根据权利要求3所述的方法，其特征在于，
将所述用户历史特征数据按照匹配的数据处理方式，转换为风险预测模型适配的待输入数据，并将所述待输入数据输入到风险预测模型中，包括：
将所述用户历史特征数据按照匹配的数据处理方式，转换为逻辑回归算法模型适配的待输入数据，并将所述待输入数据输入到所述逻辑回归算法模型的如下模型方程中：
其中，其中，xi'是待输入数据中第i个数据；n为待输入数据中数据的数量；wi是xi'对应的系数，b为偏移量；f(x)为概率数值；
相应的，所述获取所述风险预测模型的输出结果，作为与所述目标支付行为对应的风险预测结果，包括：
获取逻辑回归算法模型输出的概率数值，作为所述目标支付行为对应的风险预测值。
5.根据权利要求1所述的方法，其特征在于，所述获取与目标支付行为对应的至少一项风险识别参数，包括：
当检测到针对目标支付行为的风险识别请求时，获取与目标支付行为对应的至少一项风险识别参数；
所述支付风险识别请求为支付系统接收到用户端针对所述目标支付行为发送的支付请求触发生成。
6.根据权利要求5所述的方法，其特征在于，在根据所述至少一项用户历史特征数据，确定与所述目标支付行为对应的风险预测结果之后，还包括：
根据所述风险预测结果所属的数值范围，确定与所述风险预测结果对应的风险处理策略；
如果所述风险处理策略属于第一类处理策略，则执行所述风险处理策略，并将执行结果反馈至所述支付系统；
如果所述风险处理策略属于第二类处理策略，则将所述风险处理策略反馈至所述支付系统，以使所述支付系统执行所述第二类处理策略。
7.根据权利要求6所述的方法，其特征在于，
所述第一类处理策略包括短信验证、验证码验证、账号封禁、拉入黑名单和人工审核；
所述第二类处理策略包括支付请求通过、支付请求拦截和支付请求延后处理。
8.一种支付风险识别装置，其特征在于，包括：
参数获取模块，用于获取与目标支付行为对应的至少一项风险识别参数；
其中，所述风险识别参数包括用户账号信息、用户设备标识信息、用户IP地址和用户订单信息；
特征数据确定模块，用于确定与所述风险识别参数匹配的用户历史特征数据；
预测结果确定模块，用于根据所述用户历史特征数据，确定与所述目标支付行为对应的风险预测结果。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的支付风险识别方法。
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，该程序被处理器执行时实现如权利要求1-7任一项所述的支付风险识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910081302.9A CN109741065A (zh) | 2019-01-28 | 2019-01-28 | 一种支付风险识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910081302.9A CN109741065A (zh) | 2019-01-28 | 2019-01-28 | 一种支付风险识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109741065A true CN109741065A (zh) | 2019-05-10 |
Family
ID=66366431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910081302.9A Pending CN109741065A (zh) | 2019-01-28 | 2019-01-28 | 一种支付风险识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741065A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技（武汉）有限公司 | 账号的风险识别方法、装置及存储介质 |
| CN110474899A (zh) * | 2019-08-09 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种业务数据处理方法、装置、设备及介质 |
| CN110956445A (zh) * | 2019-11-18 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 用于生成风险文件的方法和装置 |
| CN111179023A (zh) * | 2019-12-10 | 2020-05-19 | 北京互金新融科技有限公司 | 订单识别方法及装置 |
| CN111325580A (zh) * | 2020-02-26 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 用户账号管理方法、装置、设备及存储介质 |
| CN111611345A (zh) * | 2020-05-06 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 违规对象的识别方法、装置和电子设备 |
| CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
| CN112101810A (zh) * | 2020-09-23 | 2020-12-18 | 中国建设银行股份有限公司 | 风险事件控制方法、装置及系统 |
| CN112116154A (zh) * | 2020-09-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
| CN112270541A (zh) * | 2020-10-27 | 2021-01-26 | 广州助蜂网络科技有限公司 | 交易风控管理方法、装置、设备以及系统 |
| CN112330035A (zh) * | 2020-11-10 | 2021-02-05 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置 |
| CN112396504A (zh) * | 2021-01-21 | 2021-02-23 | 北京天通慧智科技有限公司 | 一种电商订单拦截方法、装置和电子设备 |
| CN112559099A (zh) * | 2020-12-04 | 2021-03-26 | 北京新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112596647A (zh) * | 2020-12-21 | 2021-04-02 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法、装置、设备、存储介质、程序 |
| CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN112819476A (zh) * | 2021-02-25 | 2021-05-18 | 北京互金新融科技有限公司 | 风险识别方法、装置、非易失性存储介质和处理器 |
| WO2021103701A1 (zh) * | 2019-11-26 | 2021-06-03 | 支付宝(杭州)信息技术有限公司 | 一种交易风险识别方法及装置 |
| CN112926984A (zh) * | 2021-04-13 | 2021-06-08 | 郭栋 | 基于区块链安全大数据的信息预测方法及区块链服务系统 |
| CN113162912A (zh) * | 2021-03-12 | 2021-07-23 | 中航智能建设(深圳)有限公司 | 基于大数据的网络安全保护方法、系统及存储设备 |
| CN113763116A (zh) * | 2021-03-19 | 2021-12-07 | 北京京东拓先科技有限公司 | 订单信息的处理方法、装置、设备和可读存储介质 |
| CN114492790A (zh) * | 2022-01-26 | 2022-05-13 | 阿里巴巴新加坡控股有限公司 | 超参数处理方法、装置、电子设备及计算机存储介质 |
| CN114819980A (zh) * | 2022-07-04 | 2022-07-29 | 广州番禺职业技术学院 | 支付交易风险控制方法、装置、电子设备及存储介质 |
| CN114881711A (zh) * | 2022-07-11 | 2022-08-09 | 荣耀终端有限公司 | 基于请求行为进行异常分析的方法及电子设备 |
| CN114938285A (zh) * | 2022-03-24 | 2022-08-23 | 阿里云计算有限公司 | 数据的安全识别方法及存储介质 |
| CN115345533A (zh) * | 2022-10-20 | 2022-11-15 | 阿里健康科技(杭州)有限公司 | 订单数据处理方法、装置、设备及存储介质 |
| CN115510984A (zh) * | 2022-09-29 | 2022-12-23 | 刘家杰 | 支付平台的防侵入方法、系统及云平台 |
| CN117541260A (zh) * | 2023-12-01 | 2024-02-09 | 北京浩然泰同科技有限公司 | 一种基于智能化的物联网平台服务管理系统 |
| CN112116154B (zh) * | 2020-09-18 | 2024-05-14 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654303A (zh) * | 2015-12-31 | 2016-06-08 | 拉扎斯网络科技（上海）有限公司 | 一种高风险用户识别方法及装置 |
| WO2017190670A1 (zh) * | 2016-05-05 | 2017-11-09 | 腾讯科技（深圳）有限公司 | 一种账号申诉处理方法及服务器 |
| CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 |
| CN108460690A (zh) * | 2018-01-24 | 2018-08-28 | 顺丰科技有限公司 | 理赔风险预测方法、系统、设备及存储介质 |
| CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
| CN109120429A (zh) * | 2017-06-26 | 2019-01-01 | 苏宁云商集团股份有限公司 | 一种风险识别方法及系统 |
-
2019
- 2019-01-28 CN CN201910081302.9A patent/CN109741065A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654303A (zh) * | 2015-12-31 | 2016-06-08 | 拉扎斯网络科技（上海）有限公司 | 一种高风险用户识别方法及装置 |
| WO2017190670A1 (zh) * | 2016-05-05 | 2017-11-09 | 腾讯科技（深圳）有限公司 | 一种账号申诉处理方法及服务器 |
| CN109120429A (zh) * | 2017-06-26 | 2019-01-01 | 苏宁云商集团股份有限公司 | 一种风险识别方法及系统 |
| CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 |
| CN108460690A (zh) * | 2018-01-24 | 2018-08-28 | 顺丰科技有限公司 | 理赔风险预测方法、系统、设备及存储介质 |
| CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技（武汉）有限公司 | 账号的风险识别方法、装置及存储介质 |
| CN110399925B (zh) * | 2019-07-26 | 2023-09-19 | 腾讯科技（武汉）有限公司 | 账号的风险识别方法、装置及存储介质 |
| CN110474899A (zh) * | 2019-08-09 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种业务数据处理方法、装置、设备及介质 |
| CN110474899B (zh) * | 2019-08-09 | 2022-01-14 | 腾讯科技（深圳）有限公司 | 一种业务数据处理方法、装置、设备及介质 |
| CN110956445A (zh) * | 2019-11-18 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 用于生成风险文件的方法和装置 |
| CN110956445B (zh) * | 2019-11-18 | 2023-03-10 | 支付宝(杭州)信息技术有限公司 | 用于生成风险文件的方法和装置 |
| TWI807185B (zh) * | 2019-11-26 | 2023-07-01 | 大陸商支付寶（杭州）信息技術有限公司 | 交易風險識別方法及裝置 |
| WO2021103701A1 (zh) * | 2019-11-26 | 2021-06-03 | 支付宝(杭州)信息技术有限公司 | 一种交易风险识别方法及装置 |
| CN111179023A (zh) * | 2019-12-10 | 2020-05-19 | 北京互金新融科技有限公司 | 订单识别方法及装置 |
| CN111325580B (zh) * | 2020-02-26 | 2022-11-08 | 支付宝(杭州)信息技术有限公司 | 用户账号管理方法、装置、设备及存储介质 |
| CN111325580A (zh) * | 2020-02-26 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 用户账号管理方法、装置、设备及存储介质 |
| CN111611345B (zh) * | 2020-05-06 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 违规对象的识别方法、装置和电子设备 |
| CN111611345A (zh) * | 2020-05-06 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 违规对象的识别方法、装置和电子设备 |
| CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
| CN112116154B (zh) * | 2020-09-18 | 2024-05-14 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
| CN112116154A (zh) * | 2020-09-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
| CN112101810A (zh) * | 2020-09-23 | 2020-12-18 | 中国建设银行股份有限公司 | 风险事件控制方法、装置及系统 |
| CN112270541A (zh) * | 2020-10-27 | 2021-01-26 | 广州助蜂网络科技有限公司 | 交易风控管理方法、装置、设备以及系统 |
| CN112330035A (zh) * | 2020-11-10 | 2021-02-05 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置 |
| CN112559099B (zh) * | 2020-12-04 | 2024-02-27 | 北京国家新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112559099A (zh) * | 2020-12-04 | 2021-03-26 | 北京新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112596647A (zh) * | 2020-12-21 | 2021-04-02 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法、装置、设备、存储介质、程序 |
| CN112396504A (zh) * | 2021-01-21 | 2021-02-23 | 北京天通慧智科技有限公司 | 一种电商订单拦截方法、装置和电子设备 |
| CN112819476A (zh) * | 2021-02-25 | 2021-05-18 | 北京互金新融科技有限公司 | 风险识别方法、装置、非易失性存储介质和处理器 |
| CN113162912A (zh) * | 2021-03-12 | 2021-07-23 | 中航智能建设(深圳)有限公司 | 基于大数据的网络安全保护方法、系统及存储设备 |
| CN113763116A (zh) * | 2021-03-19 | 2021-12-07 | 北京京东拓先科技有限公司 | 订单信息的处理方法、装置、设备和可读存储介质 |
| CN112801670B (zh) * | 2021-04-07 | 2021-07-23 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN112926984A (zh) * | 2021-04-13 | 2021-06-08 | 郭栋 | 基于区块链安全大数据的信息预测方法及区块链服务系统 |
| CN114492790A (zh) * | 2022-01-26 | 2022-05-13 | 阿里巴巴新加坡控股有限公司 | 超参数处理方法、装置、电子设备及计算机存储介质 |
| CN114938285A (zh) * | 2022-03-24 | 2022-08-23 | 阿里云计算有限公司 | 数据的安全识别方法及存储介质 |
| CN114819980A (zh) * | 2022-07-04 | 2022-07-29 | 广州番禺职业技术学院 | 支付交易风险控制方法、装置、电子设备及存储介质 |
| CN114881711A (zh) * | 2022-07-11 | 2022-08-09 | 荣耀终端有限公司 | 基于请求行为进行异常分析的方法及电子设备 |
| CN115510984A (zh) * | 2022-09-29 | 2022-12-23 | 刘家杰 | 支付平台的防侵入方法、系统及云平台 |
| CN115510984B (zh) * | 2022-09-29 | 2024-01-02 | 广州合利宝支付科技有限公司 | 支付平台的防侵入方法、系统及云平台 |
| CN115345533A (zh) * | 2022-10-20 | 2022-11-15 | 阿里健康科技(杭州)有限公司 | 订单数据处理方法、装置、设备及存储介质 |
| CN115345533B (zh) * | 2022-10-20 | 2023-03-24 | 阿里健康科技(杭州)有限公司 | 订单数据处理方法、装置、设备及存储介质 |
| CN117541260A (zh) * | 2023-12-01 | 2024-02-09 | 北京浩然泰同科技有限公司 | 一种基于智能化的物联网平台服务管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741065A (zh) | 一种支付风险识别方法、装置、设备及存储介质 | |
| TWI714262B (zh) | 商家風險防控方法及裝置 | |
| CN110874778B (zh) | 异常订单检测方法及装置 | |
| CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
| CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
| US20190164164A1 (en) | Collaborative pattern recognition system | |
| CN112884092B (zh) | Ai模型生成方法、电子设备及存储介质 | |
| CN109615020A (zh) | 基于机器学习模型的特征分析方法、装置、设备及介质 | |
| CN110008336B (zh) | 一种基于深度学习的舆情预警方法及系统 | |
| CN109446812A (zh) | 一种嵌入式系统固件安全分析方法及系统 | |
| KR102038237B1 (ko) | 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 | |
| US20230081022A1 (en) | Systems and methods for computing database interactions and evaluating interaction parameters | |
| CN108805391A (zh) | 确定高风险用户的方法及装置 | |
| CN109993544A (zh) | 数据处理方法、系统、计算机系统及计算机可读存储介质 | |
| CN103177129A (zh) | 互联网实时信息推荐预测系统 | |
| KR101999765B1 (ko) | 데이터마이닝 기술을 이용한 금융 사기 대출 패턴화 분석 시스템 및 방법 | |
| CN114757677A (zh) | 一种交易欺诈风险的智能评估方法及系统 | |
| CN108280644B (zh) | 群组成员关系数据可视化方法及系统 | |
| CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
| CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
| CN116318974A (zh) | 站点风险识别方法、装置、计算机可读介质及电子设备 | |
| CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
| CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
| CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
| CN109858446A (zh) | 一种新零售场景下物品注册方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |