CN109871514A - 一种数据处理方法、装置及存储介质 - Google Patents
一种数据处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109871514A CN109871514A CN201711268960.6A CN201711268960A CN109871514A CN 109871514 A CN109871514 A CN 109871514A CN 201711268960 A CN201711268960 A CN 201711268960A CN 109871514 A CN109871514 A CN 109871514A
- Authority
- CN
- China
- Prior art keywords
- account
- card
- element information
- degree
- association
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种数据处理方法、装置及存储介质，所述的方法包括：获取终端发送的绑卡请求；所述绑卡请求用于请求将第一账号与第一银行卡绑定；基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；确定所述第一账号与所述用于做比对的第二账号的关联度；当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
Description
技术领域
本发明涉及计算机应用技术领域，具体涉及一种数据处理方法、装置及存储介质。
背景技术
目前，随着移动支付的蓬勃发展，用户普及率越来越高，黑产通过盗取用户银行四要素信息并在第三方支付公司绑卡验证通过后盗取用户资金已经形成了完整的产业链，而盗绑用户银行卡也是其中最重要的环节。用户在绑卡验证环节填写的身份证号、银行卡号、姓名、银行卡预留手机号(俗称四要素)的一致性，但无法核实操作人和持卡人是否一致，这也就造成了黑产可以通过大量盗用用户信息而绑卡验证成功后销赃。这不仅造成了公司需要耗用大量资金进行赔付，而且使得用户安全感降低、舆论压力，从而造成用户大量解绑流失，给移动支付的业务发展带来很大的负面影响。
发明内容
有鉴于此，本发明期望提供一种数据处理方法、装置及存储介质，通过在用户绑卡阶段加强检测，对可疑的绑卡直接拒绝，至少能大大降低骗子绑卡成功率，减少流入交易环节的恶意账号。
本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种数据处理方法，应用于服务器，所述方法包括：
获取终端发送的绑卡请求；所述绑卡请求用于请求将第一账号与第一银行卡绑定；
基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；
当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；
确定所述第一账号与所述用于做比对的第二账号的关联度；
当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
上述方案中，可选地，所述方法还包括：
当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通过所述绑卡请求。
上述方案中，可选地，所述通过所述绑卡请求之后，所述方法还包括：
根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，审计标准共包括P个审计标准等级；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；
当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；
根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
上述方案中，可选地，所述基于所述四要素信息中至少之一要素信息能确定至少一个第二账号，包括：
查找与所述四要素信息中身份证号相同的第二账号；
查找与所述四要素信息中预留手机号相同的第二账号；
若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号；
所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；
基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
上述方案中，可选地，所述确定各个第二账号的可信度，包括：
选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；
分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；
分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
上述方案中，可选地，所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
确定所述至少一个第二账号中各个第二账号对应的真实姓名；
从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；
若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
上述方案中，可选地，所述确定所述至少一个第二账号中各个第二账号对应的真实姓名，包括：
获取每个第二账号对应的好友账号；
获取每个好友账号对所述第二账号的备注信息；
通过各个好友账号对所述第二账号的备注信息确定所述第二账号对应的真实姓名。
上述方案中，可选地，所述确定第一账号与第二账号的关联度，包括：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；
根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度；
其中，所述关联关系包括：自然人二度匹配关系；社交二度匹配关系；实名匹配关系；户口匹配关系；账号活跃度匹配关系。
上述方案中，可选地，所述确定第一账号与第二账号的关联度，包括：
将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型。
上述方案中，可选地，训练所述分类模型的方式包括：
给定预设训练样本集；
将所述预设训练样本集输入至Logistic回归模型；
基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；
结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；
其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
第二方面，本发明实施例提供了一种数据处理装置，应用于服务器，所述装置包括：
获取模块，用于获取终端发送的绑卡请求；其中，所述绑卡请求用于请求将第一账号与第一银行卡绑定；
第一确定模块，用于基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；
第二确定模块，用于当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；
验证模块，用于确定所述第一账号与所述用于做比对的第二账号的关联度；当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
上述方案中，可选地，所述第二确定模块，还用于：当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通知所述验证模块直接通过所述绑卡请求。
上述方案中，可选地，所述装置还包括：
配置模块，用于在所述验证模块通过所述绑卡请求之后，根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，审计标准共包括P个审计标准等级；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；
审计模块，用于当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
上述方案中，可选地，所述第二确定模块，还用于：查找与所述四要素信息中身份证号相同的第二账号；查找与所述四要素信息中预留手机号相同的第二账号；若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号；
所述第二确定模块，还用于：基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
上述方案中，可选地，所述第二确定模块，还用于：
选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；
分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；
分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
其中，所述M为大于或等于1的正整数，所述N为大于或等于1的正整数。
上述方案中，可选地，所述第二确定模块，还用于：
确定所述至少一个第二账号中各个第二账号对应的真实姓名；
从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；
若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
上述方案中，可选地，所述第二确定模块，还用于：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；
根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
上述方案中，可选地，所述第二确定模块，还用于：
将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型；
其中，训练所述分类模型的方式包括：
给定预设训练样本集；
将所述预设训练样本集输入至Logistic回归模型；
基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；
结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；
其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
第三方面，本发明实施例提供了一种存储介质，所述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之后，能够实现上文所述的数据处理方法。
本发明实施例提供的数据处理技术方案，服务器获取终端发送的用于请求将第一账号与第一银行卡绑定的绑卡请求；基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；确定所述第一账号与所述用于做比对的第二账号的关联度；当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。如此，服务器获取绑卡请求后，加强对该绑卡请求阶段的验证，先确定是否有与第一银行卡对应的第二账号，当确定出有与第一银行卡对应的第二账号时，确定出用于做比对的第二账号，再确定所述第一账号与所述用于做比对的第二账号的关联度，根据关联度的大小决定是拒绝所述绑卡请求还是通过所述绑卡请求；相对于只要第一银行卡的四要素信息准确即通过绑卡请求的验证方式而言，由于通过在用户绑卡阶段加强了检测，对可疑的绑卡直接拒绝，至少能大大降低骗子绑卡成功率，减少流入交易环节的恶意账号。
附图说明
图1为本发明实施例提供的一种数据处理方法的实现流程示意图；
图2为本发明实施例提供的绑卡操作界面的一种示意图；
图3为本发明实施例提供的处理绑卡请求的流程示意图；
图4为本发明实施例提供的一种数据处理装置的组成结构示意图；
图5为本发明实施例提供的一种数据处理装置的一个可选的硬件结构示意图；
图6为本发明实施例提供的与绑卡请求相关的应用场景示意图。
具体实施方式
为了能够更加详尽地了解本发明的特点与技术内容，下面先介绍一下本发明中所涉及的重要缩略语和关键术语。
银行四要素：第三方快捷支付在开通时需要校验用户的四要素信息，即，身份证、银行卡、姓名、银行卡预留手机号。
绑卡验证：用户在第三方支付公司开通账号时验证四要素是否一致(主要通过调用公安部接口和银行接口进行校验)，如果验证通过，则绑卡成功。
同身份证下老账号：用户在绑卡时需要填写身份证号，可以根据身份证号找到历史绑定的可信老账号。
同手机号下老账号：用户在绑卡时需要填写银行卡预留手机号，可以根据手机号找到历史绑定的可信老账号。
推测实名：根据好友备注进行用户真实姓名的推测计算，比如多个好友备注为张三，我们推测认为用户真实姓名为张三。
AHP方法:是由美国匹兹堡大学教授T.L.Saaty在70年代中期提出的，它的基本思想是把一个复杂的问题分解为各个组成因素，并将这些因素按支配关系分组，从而形成一个有序的递阶层次结构。通过两两比较的方式确定层次中诸因素的相对重要性，然后综合人的判断以确定决策诸因素相对重要性的总排序。层次分析法的出现给决策者解决那些难以定量描述的决策问题带来了极大的方便，从而使它的应用几乎涉及任何科学领域。
下面结合附图对本发明的实现进行详细阐述，所附附图仅供参考说明之用，应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
本发明实施例提供一种数据处理方法，所述方法应用于服务器侧，如图1所示，所述方法主要包括：
步骤101：获取终端发送的绑卡请求。
其中，所述绑卡请求用于请求将第一账号与第一银行卡绑定。
这里，所述第一账号是第一应用的用户账号。
这里，所述第一应用是终端上已安装的应用，或是所述终端能够访问的应用。
其中，所述第一应用设置有绑卡功能和支付功能。
这里，所述第一应用可以是即时通讯类应用，比如，所述即时通讯类应用包括微信等应用。所述第一应用还可以是社交类应用，比如所述社交类应用包括腾讯QQ、腾讯微博等应用。当然，所述第一应用还可以是其他类型的应用，在此不再列举。
示例性地，若所述第一应用为微信，则第一账号为微信号；若所述第一应用为腾讯QQ，则第一账号为QQ号；若所述第一应用为腾讯微博，则第一账号为腾讯微博号。
具体地，所述绑卡请求中至少携带有第一账号以及第一银行卡的四要素信息。
进一步地，所述绑卡请求中还携带有发送所述绑卡请求的终端的设备信息，和/或所述终端使用的网络协议(IP，Internet Protocol)地址。
这里，所述设备信息包括设备标识、用户身份识别卡(SIM，SubscriberIdentification Module)信息。
如此，能够便于服务器获取更多的信息，有利于服务器利用这些信息辅助加强绑卡验证阶段的检测。
示例性地，终端上安装有第一应用，第一应用对应的用户账号记为第一账号，终端接收到对第一应用中绑卡功能的触发操作时，输出绑卡操作界面，图2给出了一种绑卡操作界面的示意图，如图2所示，在该绑卡操作界面中，用户需要填写预与第一账号绑定的第一银行卡的四要素信息，具体包括银行卡号、身份证号、姓名、银行卡预留手机号；在相关信息填写完毕后，终端接收到用于触发该绑卡操作界面上绑定请求按钮的操作时，终端向服务器发出绑卡请求。
如此，能够便于用户填写预与其第一账号绑定的银行卡的四要素信息，用户通过对该绑卡操作界面的操作或设置来轻松实现发送绑卡请求，该绑卡操作界面所接收到的信息也为后续服务器加强绑卡阶段检测力度提供了有力信息支撑。
步骤102：基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息。
其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号。
具体地，所述绑卡请求中至少携带有第一账号以及第一银行卡的四要素信息。
作为一种实施方式，所述基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息，包括：
服务器解析所述绑卡请求；
从所述绑卡请求中获得所述第一账号以及所述第一银行卡的四要素信息。
进一步地，所述绑卡请求中还携带有第一账号对应的终端的设备标识和/或发送所述绑卡请求的IP地址。
作为另一种实施方式，所述方法还包括：
基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息的同时，从所述绑卡请求中获取得到所述第一账号对应的终端的设备标识和/或发送所述绑卡请求的IP地址。
步骤103：当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号。
其中，所述第二账号是已成功绑卡的账号。
这样，由于已经成功绑卡的账号是相对可信的账号，以这类账号作为对比对象，所得到的对比结果准确性更高，也更可信。
作为一种实施方式，所述基于所述四要素信息中至少之一要素信息能确定至少一个第二账号，包括：
查找与所述四要素信息中身份证号相同的第二账号；
查找与所述四要素信息中预留手机号相同的第二账号；
若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号。
也就是说，基于所述四要素信息中至少之一要素信息确定出的至少一个第二账号，既包括与所述四要素信息中身份证号相同的第二账号，也包括与所述四要素信息中预留手机号相同的第二账号。
举例来说，第一账号z预绑定的第一银行卡的四要素信息为身份证号a、预留手机号b、姓名c、银行卡号e；服务器若查找到与身份证a对应的第二账号s1、s2，又找到与预留手机号b对应的第二账号s3，则表明有与该第一账号z匹配的第二账号，且与该第一账号z匹配的第二账号包括：s1、s2、s3。
作为一种实施方式，所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；
基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
这样，若能确定出两个或两个以上的第二账号，我们将从中选择一个可信度最高的第二账号，作为与所述第一账号做比对的第二账号。这样，有助于对预将第一账号与第一银行卡绑定的绑卡人与第一银行卡的持卡人是否为同一人的验证，有助于提高最后得到的比对结果的可靠性与准确性。
作为一种可选的实施方式，所述确定各个第二账号的可信度，包括：
选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；
分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；
分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
需要说明的是，这里所述的一级指标是与第一应用的第一账号相关的指标。
需要说明的是，计算不同一级指标的得分时，所选择的各个一级指标所对应的二级指标的个数可以相同，也可以不同。
当然，优选地，所选择的各个一级指标所对应的二级指标的个数相同。
示例性地，所述一级指标包括：账号活跃度、交易活跃度、可信交易、自然人扩散。
示例性地，账号活跃度对应的二级指标至少包括：好友数、聊天数、发朋友圈个数；交易活跃度对应的二级指标至少包括：首次交易时间、累计交易金额、商业支付金额；可信交易对应的二级指标至少包括：购买理财通、嘀嘀打车、公司IP交易；自然人扩散对应的二级指标至少包括：和其他可信账号存在资金、好友、设备关系。
下面，介绍一种计算第二账号可信度的思路。
首先，选择用于评判第二账号可信度的计算维度。
例如，1、账号活跃度：好友数、聊天数、发朋友圈个数等；2、交易活跃度：首次交易时间、累计交易金额、商业支付金额等；3、可信交易：购买理财通、嘀嘀打车、公司IP交易等；4、自然人扩散：和其他可信账号存在资金、好友、设备关系等。
我们定义账号活跃度、交易活跃度、可信交易、自然人扩散等为一级指标，好友数、聊天数、发朋友圈个数、首次交易时间、累计交易金额、商业支付金额等均为二级指标。
这里，需要说明的是，除了上述所列举的这些一级指标，还可以存在其他一级指标，只要是合理的与第一账号相关的指标，均可考虑作为一级指标。
这里，计算维度包括一级指标的个数、各个一级指标对应的二级指标的个数。
其次，通过定义上述维度后，我们需要计算不同指标的权重，最后得到每个第二账号的可信度分值。这里所述的不同指标的权重，包括：不同一级指标的权重，不同二级指标的权重。
一级指标的得分的计算思路如下：
账号活跃度＝a_1*好友数+a_2*聊天数+a_3*发朋友圈个数+……
交易活跃度＝b_1*首次交易时间+b_2*累计交易金额+b_3*商业支付金额+……
可信交易＝c_1*购买理财通次数+c_2*嘀嘀打车次数+c_3*公司IP交易次数+……
自然人扩散＝d_1*和其他可信账号存在资金+d_2*和其他可信账号存在共同好友+d_3*设备关系+……
第二账号可信度的计算思路如下：
第二账号可信度＝A_1*账号活跃度+A_2*交易活跃度+A_3*可信交易+A_4*自然人扩散+……
可见，先计算一级指标的得分，再通过一级指标计算每个第二账号的可信度得分，这里我们可选择的是层次分析法(AHP方法)。
S1301、构建评价矩阵。
以一级指标为账号活跃度为例来说明。表1示出了账号活跃度的评价矩阵。
表1
标度(aij)的含义如表2所示，第i个指标和j个指标比较时由决策者决定下列问题所得：
| 1 | 表示两个元素相比，具有同样重要性 |
| 2 | 表示两个元素相比，一个元素比另一个元素稍微重要 |
| 3 | 表示两个元素相比，一个元素比另一个元素明显重要 |
| 4 | 表示两个元素相比，一个元素比另一个元素强烈重要 |
| 5 | 表示两个元素相比，一个元素比另一个元素极端重要 |
表2
以一级指标为账号活跃度，且账号活跃度对应3个二级指标为例来说明。好友数相对于好友数具有同样重要性，聊天数相对于聊天数具有同样重要性，发朋友圈个数相对于发朋友圈个数具有同样重要性；假设好友数相对于聊天数稍微重要，好友数相对于发朋友圈个数明显重要，聊天数相对于发朋友圈个数明显重要；则a11＝1，a12＝2，a13＝3；a21＝2，a22＝1，a23＝3；a31＝3，a32＝3，a33＝1。
S1302、计算评价矩阵的特征向量。
计算评价矩阵A的最大特征根λmax和其对应的经归一化后的特征向量W＝(w1,w2,…,wn)T。
通过公式AW＝λmax W，得到的特征向量W＝(w1,w2,…,wn)T就作为对应评价矩阵的权重向量。
这里，求取出来的w1、w2、…、wn对应前边公式账号活跃度＝a_1*好友数+a_2*聊天数+……中的a_1、a_2、…、a_n，从而，我们就计算出了账号活跃度的得分。
同理，构建评价矩阵，将a(ij)替换成b(ij)，将元素替换成前边公式交易活跃度＝b_1*首次交易时间+b_2*累计交易金额+b_3*商业支付金额+……中的元素，计算评价矩阵B的最大特征根λmax和其对应的经归一化后的特征向量W＝(w1,w2,…,wn)T，求取出来的w1、w2、…、wn对应的前边公式交易活跃度＝b_1*首次交易时间+b_2*累计交易金额+b_3*商业支付金额+……中的b_1、b_2、…、b_n，从而，我们就能计算出交易活跃度的得分。以此类推，在此不再一一描述。
如此，选定推测实名一致的第二账号作为与所述第一账号做比对的第二账号，有助于对预绑定第一账号与第一银行卡的绑卡人，与第一银行卡的持卡人是否为同一人的验证。
作为另一种可选的实施方式，所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
确定所述至少一个第二账号中各个第二账号对应的真实姓名；
从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；
若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
举例来说，第一账号z1预绑定的第一银行卡的四要素信息为身份证号a1、预留手机号b1、姓名c1、银行卡号e1；服务器若查找到与身份证a1对应的第二账号s1、s2，又找到与预留手机号b1对应的第二账号s3；则表明有与该第一账号z1匹配的第二账号，且与该第一账号z1匹配的第二账号包括：s1、s2、s3。经过推测得到s1对应的实名为c1，s2对应的实名为c2，s3对应的实名为c3；因此，s1对应的实名为c1与第一银行卡对应的姓名c1一致，因此，将s1作为与所述第一账号z1做比对的第二账号。
如此，选定推测实名一致的第二账号作为与所述第一账号做比对的第二账号，有助于对预绑定第一银行卡的绑卡人与第一银行卡的持卡人是否为同一人的验证。
步骤104：确定所述第一账号与所述用于做比对的第二账号的关联度。
其中，所述关联度表示第一账号与第二账号之间的关联程度。
作为一种可选的实施方式，所述确定第一账号与第二账号的关联度，包括：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；
根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
其中，所述关联关系包括：自然人二度匹配关系；社交二度匹配关系；实名匹配关系；户口匹配关系；账号活跃度匹配关系。
其中，计算自然人二度匹配关系可根据设备、WIFI、IP等因子来计算。举例来说，a账号和B设备有关系，c账号和B设备有关系，则我们就认为：a账号和c账号，是有自然人二度关系。
其中，计算社交二度匹配关系可根据是否为好友、聊天室(chat room)等因子来计算。举例来说，a账号与c账号不是好友关系，但a账号加入了B聊天室，c账号加入了B设备聊天室，则我们就认为：a账号与c账号是有社交二度匹配关系。再比如，a账号与c账号不是好友关系，但a账号与b账号是好友，c账号与b账号是好友，则我们就认为：a账号和c账号是有社交二度匹配关系。
具体地，设第一账号与第二账号之间的关联关系共有x种，分别记为J1、J2、…、Jx。每种关联关系均可有一个数值表示范围，不同种关联关系的数值表示范围可以不同，每种关联关系至少分两种情况。比如，实名匹配关系分两种情况，一是实名匹配一致，二是实名匹配不一致，此时，我们可以在当实名匹配关系为实名匹配一致时，记该实名匹配关系的数值为1；当实名匹配关系为实名匹配不一致时，记该实名匹配关系的数值为0。再比如，账号活跃度匹配分多种情况，以0～100表征账号活跃度匹配程度，匹配程度越高，其数值越高，最高值为100，最低值为0；此时，我们可以在当账号活跃度匹配关系为匹配度是0时，记该账号活跃度匹配关系的数值为0；在当账号活跃度匹配关系为匹配度是20时，记该账号活跃度匹配关系的数值为20；在当账号活跃度匹配关系为匹配度是100时，记该账号活跃度匹配关系的数值为100。实际应用中，可依据每种关联关系对应的数值表示范围、以及每种关联关系表表征的关联程度等因素来设置其对应的权重参数。
举例来说，服务器获取到第一账号与第二账号之间的2个关联关系，具体包括：同设备关系、实名匹配关系；并确定出同设备关系对应的值为1(1表示绑定第一账号的设备与绑定第二账号的设备为同一设备，0表示绑定第一账号的设备与绑定第二账号的设备为不同设备)，确定出实名匹配关系对应的值为1(1表示实名能够匹配一致，0表示实名匹配不一致)；根据同设备关系对应的权重i1、实名匹配关系对应的权重i2，确定第一账号与第二账号的关联度为i1×1+i2×1＝i1+i2，假设i1＝0.3，i2＝0.5，则第一账号与第二账号的关联度为0.8，其中，关联度为1时表示绑卡人与持卡人为同一人，关联度为0时表示绑卡人与持卡人为两个人。假设系统已预先设定当关联度大于或等于0.7时，绑卡验证通过，由于第一账号与第二账号的关联度为0.8，则判定绑卡验证通过。
作为另一种可选的实施方式，所述确定第一账号与第二账号的关联度，包括：
将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型。
这里，训练所述分类模型的方式包括：
给定预设训练样本集；
将所述预设训练样本集输入至Logistic回归模型；
基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；
结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；
其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
这里，所述预设训练样本集包括正训练样本集和负训练样本集；
其中，所述正训练样本集包括U个正训练样本，每个正训练样本包括多个第一参考因子，所述第一参考因子是与每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子；
其中，所述负训练样本集包括V个负训练样本，每个负训练样本包括多个第二参考因子，所述第二参考因子是与每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子；其中，所述第一参考因子与第二参考因子可以相同，也可以不同。
logistic模型介绍：也称定性变量回归，类似于线性回归，但是目标字段使用字符型字段而不是数值型字段。Logistic回归建立一组方程，把输入属性值与输出字段每一类的概率联系起来。一旦生成模型，便可用于估计新记录属于某类的概率。概率最大的目标类被指定为该记录的预测输出值。
实际应用中，我们可以采用信息价值(IV，Info Value)值作为指标进行特征选择，采用Logistic作为建模方法，构建分类模型，以通过所述分类模型计算第一账号与第二账号的关联度，这里，所述的关联度还可以理解为亲密度。
要想得到分类模型，至少分为四大步骤，具体如下：
S1401、特征变量选择。
其中，特征变量至少可从下述信息中选择：
同设备关系、同WIFI关系、同IP关系、互加好友、存在共同聊天、存在共同好友、绑卡身份证和用户推测实名一致、有共同户口地。
举例来说，选择同WIFI关系作为特征变量，来计算该特征变量对应的IV值，如表3所示。
| 变量名称 | 正常用户 | 欺诈用户 | 正常百分比 | 欺诈百分比 | IV值 |
| 是否同wifi_1 | 258908 | 43 | 87.69％ | 25.29％ | 0.34 |
| 是否同wifi_0 | 36350 | 127 | 12.31％ | 74.71％ | 0.49 |
| 汇总 | 295258 | 170 | 100.00％ | 100.00％ | 0.83 |
表3
其中，正常百分比＝分段正常样本数/总体正常样本数；
其中，IV值＝(正常百分比-欺诈百分比)*log(正常百分比/欺诈百分比)
这里，参照表4可以得出，同WIFI关系对应的IV值为0.83，属于IV经验值0.3以上这个阶段，预测性较强，因此，可选择同WIFI关系作为特征变量之一。
| IV经验值 | 预测性可信 |
| 小于0.02 | 没有预测性 |
| 0.02到0.1 | 预测性较弱 |
| 0.1到0.3 | 预测性中等 |
| 0.3以上 | 预测性较强 |
表4
同理，我们可以根据上述特征变量选择方式，来选择预测性较强的其他元素作为特征变量。
S1402、构建模型。
Logistic模型公式如下：
ln p/(1-p)＝a1×x1+a2×x2+…+an×xn＝y (公式1)
其中，x1～xn为样本中的特征变量，a1～an是模型需要求解的参数值，这样我们可以得到每个样本的一个关联度值。
这里，可以将关联度值称为亲密度评分，亲密度越高，表明第一账号(新账号)和第二账号(老账号)有关系的可能性越高，进而可信度越高；相反，亲密度越低，表明新账号和老账号有关系的可能性越低，进而可信度越低。
示例性地，x1表示是否同WIFI，x2表示是否同设备，x3表示是否同身份证号，x4表示是否同手机号，x5表示是否同户口地，x6表示是否有共同好友，x7表示是否为好友，x8表示是否加过同一群，x9表示是否同IP，…，等等。
S1403、模型求解，求解得到公式1中a1、a2、…、an值。
假设有N个观测构成的总体Y1，Y2，…，YN，从中随机抽取n个作为样本，观测值为y1，y2，…，yN。
设Pi＝P(yi＝1|xi)＝π(xi)为给定xi条件下yi＝1的条件概率；则在同样条件下得到yi＝0的条件概率为Pi＝P(yi＝0|xi)＝1-π(xi)。根据0-1概率分布公式于是得到一个观测值的概率为：
因为各项观测相互独立，它们的联合分布可以表示为各边际分布的乘积：
公式3即为逻辑回归的似然函数，根据极大似然求解的思想，我们需要找到这样的使得：
这里，求解该极值问题最常用的方法为Newton-Raphson法(简称N-R法)。
S1404、计算关联度，也即计算亲密度。
通过S1403求解获取a1、a2、…、an的权重，则可以得到公式1中的P，即P是第一账号和第二账号的关联度，P值为：P＝ey/(1+ey)。
我们会根据业务经验和不同分值段的好坏比来划分关联度阈值，另外对于不满足任一个可信关系的情况将关联度设为0。一般我们使用准确率、覆盖率、提升度(lift)等指标对模型的结果进行评估和使用，如表5所示：
表5
其中：
分段准确率＝分段的盗绑卡样本数量/分段样本数量；
分段覆盖率＝分段的盗绑卡样本数量/全部盗绑卡样本数量；
累计准确率＝累计的盗绑卡样本数量/全部样本数量；
累计覆盖率＝累计的盗绑卡样本数量/全部盗绑卡样本数量；
分段lift＝分段准确率/平均准确率；平均准确率＝全量盗绑卡样本数量/全量样本数量。这里，所述的lift表示提升度。
从表5中可以看到，当关联度评分值<＝10分时，模型的准确率为79％，覆盖率为35％。一般我们会结合覆盖率和准确率的情况判断是否可以正式上线应用。通常来说，我们希望模型的准确率高于50％，覆盖率高于80％才可以满足上线应用的标准。在表5中，当关联度评分<＝40分基本满足我们的应用要求。
同时当关联度评分值越高时，为正常样本的比例越高，比如关联度评分值>＝90时，是正常样本的比例为96％，所以对于这类绑卡用户，我们不仅在绑卡阶段允许绑卡通过，同时在后续的交易环节也可以作为放松审计标准，减少对用户的打扰，提升用户的支付体验。
步骤105：当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
进一步地，所述方法还包括：
当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通过所述绑卡请求。
这样，若无法确定出与第一银行卡的四要素信息相关的第二账号，则第一账号对应的用户为新用户，通过所述绑卡请求。
进一步地，所述通过所述绑卡请求之后，所述方法还包括：
根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，所述审计标准共包括P个审计标准等级；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；
当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；
根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
当然，上述给出的方案是审计标准级别越高审计项越多，可以理解的，还可以设置为审计标准级别越低审计项越多。
这样，由于P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少，从而导致对于同一第一账号而言，采用P-x级审计标准所需检测时长小于采用P-x+1级审计标准所需检测时长，有助于提高支付效率。
我们通过在用户绑卡阶段加强检测，对可疑的绑卡直接拒绝，不仅可以大大降低骗子绑卡成功率，减少流入交易环节的恶意账号；同时对于正常用户验证通过后，可以降低在交易环节对新用户的风控审计标准，极大地提升了新用户的支付体验。
图3为本发明实施例提供的处理绑卡请求的流程示意图，如图3所示，该流程主要包括：
步骤301：服务器检测到终端发送的绑卡请求，进入步骤302；
这里，所述绑卡请求用于请求将第一账号与第一银行卡绑定。
这里，所述绑卡请求中至少携带有第一账号以及第一银行卡的四要素信息。
这里，第一银行卡的四要素信息，具体包括银行卡号、身份证号、姓名、银行卡预留手机号。
步骤302：服务器判断是否能查找与身份证号相同的第二账号或者与预留手机号相同的第二账号，如果不能查找到第二账号，执行步骤305；如果能查找到第二账号，执行步骤303；
步骤303：计算第一账号与所确定出的用于做比对的第二账号的关联度，然后执行步骤304；
可选地，所述关联度可通过下述方式来计算：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
其中，所述关联关系包括：自然人二度匹配关系；社交二度匹配关系；实名匹配关系；户口匹配关系；账号活跃度匹配关系。
可选地，所述关联度还可通过下述方式来计算：
利用训练好的分类模型来计算第一账号与第二账号的关联度。
步骤304：根据所述关联度，判断第一账号与所确定出的用于做比对的第二账号之间是否有关联关系，如果有关联关系，执行步骤305；如果没有关联关系，执行步骤306；
具体地，当所述关联度大于或等于预设关联度值时，判定第一账号与所确定出的用于做比对的第二账号之间有关联关系；当所述关联度小于预设关联度值时，判定第一账号与所确定出的用于做比对的第二账号之间没有关联关系。
步骤305：通过所述绑卡请求，然后结束绑卡检测阶段流程。
步骤306：拒绝所述绑卡请求，然后结束绑卡检测阶段流程。
假设用户张三的一张银行卡的四要素信息被盗，非法人员预将其微信账号绑定与张三的这张银行卡绑定时，服务器会根据张三的这张银行卡的四要素信息确定出与张三实名一致的微信账号或者与这张银行卡对应的预留手机号相同的微信账号，作为第二账号，将非法人员预绑定的微信账号作为第一账号，计算第一账号与第二账号的关联度，根据关联度值的大小来判断绑卡人与持卡人是否一致，或绑卡人的该绑卡请求是否可信。通常来说，微信号与手机号一一对应，若绑卡人与持卡人一致或绑卡人的该绑卡请求可信，那么，两个微信账号会有关联度甚至关联度会很高。
这样，通过在用户绑卡阶段加强检测，对可疑的绑卡直接拒绝，不仅可以大大降低骗子绑卡成功率，减少流入交易环节的恶意账号。
对应上述数据处理方法，本实施例记载了一种数据处理装置，应用于服务器，如图4所示，所述装置包括：获取模块10，用于获取终端发送的绑卡请求；所述绑卡请求用于请求将第一账号与第一银行卡绑定；第一确定模块20，用于基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；第二确定模块30，用于当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；验证模块40，用于确定所述第一账号与所述用于做比对的第二账号的关联度；当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
在一实施例中，可选地，所述第二确定模块30，还用于：当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通知所述验证模块40直接通过所述绑卡请求。
在一实施例中，可选地，所述装置还包括：配置模块50，用于通过所述绑卡请求之后，根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，所述审计标准等级包括P个审计标准；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；审计模块60，用于当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
作为一种实施方式，所述第二确定模块30，还用于查找与所述四要素信息中身份证号相同的第二账号；查找与所述四要素信息中预留手机号相同的第二账号；若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号。
作为一种可选的实施方式，所述第二确定模块30，还用于：基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
作为一种实施方式，所述第二确定模块30，还用于：选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
作为另一种可选的实施方式，所述第一确定模块20，还用于：确定所述至少一个第二账号中各个第二账号对应的真实姓名；从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
作为一种可选的实施方式，所述第二确定模块30，还用于：获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
作为另一种可选的实施方式，所述第二确定模块30，还用于：将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型。
其中，训练所述分类模型的方式包括：给定预设训练样本集；将所述预设训练样本集输入至Logistic回归模型；基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
本领域技术人员应当理解，本发明实施例的数据处理装置中各处理模块的功能，可参照前述应用于服务器侧的数据处理方法的相关描述而理解，本发明实施例的数据处理装置中各处理模块，可通过实现本发明实施例所述的功能的模拟电路而实现，也可以通过执行本发明实施例所述的功能的软件在服务器上的运行而实现。
其中，在实际应用中，所述获取模块10、第一确定模块20、第二确定模块30、验证模块40、配置模块50、审计模块60，均可由数据处理装置或所述数据处理装置所属服务器中的中央处理器(CPU，Central Processing Unit)、微处理器(MCU，Micro Controller Unit)、数字信号处理器(DSP，Digital Signal Processing)或可编程逻辑器件(PLC，Programmable Logic Controller)等实现。所述获取模块10还可由数据处理装置或所述数据处理装置所属服务器中的通信模组来实现。
图5示例性示出了一种数据处理装置的一个可选的硬件结构示意图，包括处理器21、输入/输出接口23(例如显示屏、触摸屏、扬声器)，存储介质24以及网络接口22，组件可以经系统总线25连接通信。相应地，数据处理装置的存储介质24中存储有用于执行本发明实施例提供的数据处理方法的可执行指令。
其中，所述存储介质24可以是移动存储装置、随机存取存储器(RAM，RandomAccess Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。优选地，所述存储介质24可为非易失性存储介质。
其中，处理器21可以是CPU、MCU、DSP、PLC，还可以是处理电路，例如，专用集成电路(ASIC，Application Specific Integrated Circuits)。
具体地，所述处理器21通过所述系统总线25从所述存储介质24中读取并执行数据处理方法的可执行指令，可执行如下步骤：
获取终端发送的绑卡请求；其中，所述绑卡请求用于请求将第一账号与第一银行卡绑定；
基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；
当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；
确定所述第一账号与所述用于做比对的第二账号的关联度；
当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
本实施例所述数据处理装置，能够在获取到绑定请求时，加强对该绑卡请求的验证，先确定是否有与第一银行卡对应的第二账号，当确定出有与第一银行卡对应的第二账号时，确定出用于做比对的第二账号，再确定所述第一账号与所述用于做比对的第二账号的关联度，根据关联度的大小决定是拒绝所述绑卡请求还是通过所述绑卡请求；由于在用户绑卡阶段加强了对该绑定请求的检测力度，对可疑的绑卡直接拒绝，至少能大大降低骗子绑卡成功率，减少流入交易环节的恶意账号。同时对于正常用户验证通过后，可以降低在交易环节对新用户的风控审计标准，极大的提升了新用户的支付体验。
本实施例还提供一种计算机存储介质，所述计算机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之后，能够实现前述各实施例所述的任意一项或多项应用于服务器侧的数据处理方法。所述计算机存储介质可为各种类型的存储介质，在本实施例中可优选为非瞬间存储介质。
下面列举一种应用场景，如图6所示，用户通过终端上安装的第一应用客户端发送绑卡请求；第一应用对应的第一支付平台通过第二支付平台将所述绑卡请求转发至风控服务器，以由所述风控服务器计算第一账号与第二账号的关联度，并根据关联度值判断是拒绝所述绑卡请求还是通过所述绑卡请求。所述风控服务器在做出对绑卡请求的决定后，将绑卡请求结果通过第二支付平台转发至第一支付平台，并由第一支付平台将所述验证结果发送至终端。
这里，所述的第二支付后台既能与内部的第一支付后台连接，又能与外部的银行端连接。所述的第二支付后台兼具与内部财务结算以及与银行端连接的功能。
以所述第一应用为微信为例，所述第一支付平台可以为微信支付平台，所述第二支付平台可以是财付通平台，所述财付通后台是微信支付平台和银行的连接接口。
若所述风控服务器判定通过所述绑卡请求，还可根据关联度值为第一账号配置在支付款交易阶段的审计标准等级；当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；根据所述审计标准等级配置信息审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。对于同一个第一账号而言，若为该第一账号配置不同的审计标准等级，完成对所述第一账号在支付款交易阶段的审计处理时间将不同。
也就是说，相对于现有技术中对新绑定成功的用户账号审计较为严格而言，由于我们在绑卡阶段加强了检测，因此，若风控服务器判定通过了新用户的绑卡请求，那么，该新用户的可信度相对较高，可以为其设置较低的风控审计标准，这样能极大地提升新用户的支付体验。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和装置，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述装置实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述装置实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述装置的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种数据处理方法，应用于服务器，其特征在于，所述方法包括：
获取终端发送的绑卡请求；其中，所述绑卡请求用于请求将第一账号与第一银行卡绑定；
基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；
当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；
确定所述第一账号与所述用于做比对的第二账号的关联度；
当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通过所述绑卡请求。
3.根据权利要求1所述的方法，其特征在于，所述通过所述绑卡请求之后，所述方法还包括：
根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，审计标准共包括P个审计标准等级；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；
当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；
根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
4.根据权利要求1所述的方法，其特征在于，
所述基于所述四要素信息中至少之一要素信息能确定至少一个第二账号，包括：
查找与所述四要素信息中身份证号相同的第二账号；
查找与所述四要素信息中预留手机号相同的第二账号；
若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号；
所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；
基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
5.根据权利要求4所述的方法，其特征在于，所述确定各个第二账号的可信度，包括：
选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；
分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；
分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
6.根据权利要求1所述的方法，其特征在于，所述从所述至少一个第二账号中确定出用于做比对的第二账号，包括：
确定所述至少一个第二账号中各个第二账号对应的真实姓名；
从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；
若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
7.根据权利要求1所述的方法，其特征在于，所述确定第一账号与第二账号的关联度，包括：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；
根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
8.根据权利要求1所述的方法，其特征在于，所述确定第一账号与第二账号的关联度，包括：
将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型。
9.如权利要求8所述的方法，其特征在于，训练所述分类模型的方式包括：
给定预设训练样本集；
将所述预设训练样本集输入至Logistic回归模型；
基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；
结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；
其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
10.一种数据处理装置，应用于服务器，其特征在于，所述装置包括：
获取模块，用于获取终端发送的绑卡请求；其中，所述绑卡请求用于请求将第一账号与第一银行卡绑定；
第一确定模块，用于基于所述绑卡请求确定所述第一账号以及所述第一银行卡的四要素信息；其中，所述四要素信息包括银行卡号、身份证号、姓名、银行卡预留手机号；
第二确定模块，用于当基于所述四要素信息中至少一个要素信息能确定至少一个第二账号时，从所述至少一个第二账号中确定出用于做比对的第二账号；其中，所述第二账号是已成功绑卡的账号；
验证模块，用于确定所述第一账号与所述用于做比对的第二账号的关联度；当所述关联度小于预设关联度值时，拒绝所述绑卡请求；当所述关联度大于或等于所述预设关联度值时，通过所述绑卡请求。
11.根据权利要求10所述的装置，其特征在于，所述第二确定模块，还用于：当基于所述四要素信息中至少一个要素信息无法确定出至少一个第二账号时，通知所述验证模块直接通过所述绑卡请求。
12.根据权利要求10所述的装置，其特征在于，所述装置还包括：
配置模块，用于在所述验证模块通过所述绑卡请求之后，根据所述关联度为所述第一账号配置在支付款交易阶段的审计标准等级；其中，审计标准共包括P个审计标准等级；P-x级审计标准对应的审计项比P-x+1级审计标准的审计项少；所述x为大于等于1且小于等于P-1的整数，所述P为大于或等于2的正整数；
审计模块，用于当检测到基于所述第一账号进入支付款交易阶段时，获取所述第一账号对应的审计标准等级配置信息；根据所述审计标准等级配置信息确定用于审计所述第一账号的审计标准，基于所述审计标准审计所述第一账号，以完成对所述第一账号在支付款交易阶段的审计处理。
13.根据权利要求10所述的装置，其特征在于，所述第二确定模块，还用于：查找与所述四要素信息中身份证号相同的第二账号；查找与所述四要素信息中预留手机号相同的第二账号；若查找到与所述四要素信息中身份证号相同的第二账号和/或与所述四要素信息中预留手机号相同的第二账号，则判定基于所述四要素信息中至少之一要素信息能确定至少一个第二账号；
所述第二确定模块，还用于：基于所述四要素信息中至少之一要素信息仅确定出一个第二账号时，将所述第二账号作为与所述第一账号做比对的第二账号；基于所述四要素信息中至少之一要素信息确定出两个或两个以上的第二账号时，确定各个第二账号的可信度；将可信度最高的第二账号作为与所述第一账号做比对的第二账号。
14.根据权利要求13所述的装置，其特征在于，所述第二确定模块，还用于：
选择用于计算第二账号的可信度的M个一级指标以及每个一级指标所对应的K个二级指标；
分别根据每个一级指标所对应的K个二级指标的权重，计算每个一级指标的得分；
分别根据每个一级指标所对应的权重、以及所述每个一级指标的得分，计算得到第二账号的可信度。
15.根据权利要求10所述的装置，其特征在于，所述第二确定模块，还用于：
确定所述至少一个第二账号中各个第二账号对应的真实姓名；
从各个第二账号对应的真实姓名中，查找是否有与所述第一银行卡对应的姓名一致的真实姓名；
若找到与所述第一银行卡对应的姓名一致的真实姓名，将所述真实姓名对应的第二账号，作为与所述第一账号做比对的第二账号。
16.根据权利要求10所述的装置，其特征在于，所述第二确定模块，还用于：
获取第一账号与第二账号之间的J个关联关系；所述J是大于或等于1的正整数；
根据所述J个关联关系中每个关联关系所对应的权重，确定第一账号与第二账号的关联度。
17.根据权利要求10所述的装置，其特征在于，所述第二确定模块，还用于：
将所述第一账号和所述第二账号输入至分类模型中，通过所述分类模型得到并输出第一账号与第二账号的关联度；其中，所述分类模型是经过预设训练样本集训练得到的模型；
其中，训练所述分类模型的方式包括：
给定预设训练样本集；
将所述预设训练样本集输入至Logistic回归模型；
基于所述预设训练样本集训练得到Logistic回归模型中不同参考因子对应的权重参数；
结合所述Logistic回归模型以及不同参考因子对应的权重参数，得到分类模型；
其中，所述参考因子是与预设训练样本集中每个训练样本中对应的第一账号以及与其做比对的第二账号相关的因子。
18.一种存储介质，所述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之后，能够实现权利要求1至9任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268960.6A CN109871514B (zh) | 2017-12-05 | 2017-12-05 | 一种数据处理方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268960.6A CN109871514B (zh) | 2017-12-05 | 2017-12-05 | 一种数据处理方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109871514A true CN109871514A (zh) | 2019-06-11 |
| CN109871514B CN109871514B (zh) | 2022-11-04 |
Family
ID=66916548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711268960.6A Active CN109871514B (zh) | 2017-12-05 | 2017-12-05 | 一种数据处理方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871514B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223356A (zh) * | 2021-05-13 | 2021-08-06 | 深圳市技成科技有限公司 | 一种用于plc控制技术的技能培训和考核的系统 |
| CN113763616A (zh) * | 2021-08-20 | 2021-12-07 | 太原市高远时代科技有限公司 | 一种基于多传感器的无感安全型户外机箱门禁系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954322A (zh) * | 2014-03-25 | 2015-09-30 | 腾讯科技（深圳）有限公司 | 一种账号的绑定处理方法、装置及系统 |
| CN104966229A (zh) * | 2014-12-30 | 2015-10-07 | 腾讯科技（深圳）有限公司 | 信息处理方法及信贷平台 |
| CN105281954A (zh) * | 2015-10-21 | 2016-01-27 | 武汉大学 | 一种空间信息服务质量评价以及服务链优化方法 |
| CN105389488A (zh) * | 2015-11-26 | 2016-03-09 | 腾讯科技（深圳）有限公司 | 身份认证方法及装置 |
| CN105930501A (zh) * | 2016-05-09 | 2016-09-07 | 深圳市永兴元科技有限公司 | 网络账号关联方法和装置 |
| CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN106127463A (zh) * | 2016-06-30 | 2016-11-16 | 宇龙计算机通信科技(深圳)有限公司 | 一种转账控制方法及终端设备 |
| CN106355410A (zh) * | 2016-08-24 | 2017-01-25 | 努比亚技术有限公司 | 电子设备及信息处理方法 |
| CN107040397A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技（深圳）有限公司 | 一种业务参数获取方法及装置 |
| CN107274202A (zh) * | 2016-04-06 | 2017-10-20 | 中国移动通信集团上海有限公司 | 一种基于逻辑用户评分模型的变量选择方法及装置 |
-
2017
- 2017-12-05 CN CN201711268960.6A patent/CN109871514B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954322A (zh) * | 2014-03-25 | 2015-09-30 | 腾讯科技（深圳）有限公司 | 一种账号的绑定处理方法、装置及系统 |
| CN104966229A (zh) * | 2014-12-30 | 2015-10-07 | 腾讯科技（深圳）有限公司 | 信息处理方法及信贷平台 |
| CN105281954A (zh) * | 2015-10-21 | 2016-01-27 | 武汉大学 | 一种空间信息服务质量评价以及服务链优化方法 |
| CN105389488A (zh) * | 2015-11-26 | 2016-03-09 | 腾讯科技（深圳）有限公司 | 身份认证方法及装置 |
| CN107040397A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技（深圳）有限公司 | 一种业务参数获取方法及装置 |
| CN107274202A (zh) * | 2016-04-06 | 2017-10-20 | 中国移动通信集团上海有限公司 | 一种基于逻辑用户评分模型的变量选择方法及装置 |
| CN105930501A (zh) * | 2016-05-09 | 2016-09-07 | 深圳市永兴元科技有限公司 | 网络账号关联方法和装置 |
| CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN106127463A (zh) * | 2016-06-30 | 2016-11-16 | 宇龙计算机通信科技(深圳)有限公司 | 一种转账控制方法及终端设备 |
| CN106355410A (zh) * | 2016-08-24 | 2017-01-25 | 努比亚技术有限公司 | 电子设备及信息处理方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223356A (zh) * | 2021-05-13 | 2021-08-06 | 深圳市技成科技有限公司 | 一种用于plc控制技术的技能培训和考核的系统 |
| CN113763616A (zh) * | 2021-08-20 | 2021-12-07 | 太原市高远时代科技有限公司 | 一种基于多传感器的无感安全型户外机箱门禁系统及方法 |
| CN113763616B (zh) * | 2021-08-20 | 2023-03-28 | 太原市高远时代科技有限公司 | 一种基于多传感器的无感安全型户外机箱门禁系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109871514B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106384273B (zh) | 恶意刷单检测系统及方法 | |
| WO2020192184A1 (zh) | 基于图模型检测团伙欺诈 | |
| CN105933266B (zh) | 一种验证方法及服务器 | |
| US8311907B2 (en) | System and method for detecting fraudulent transactions | |
| CN105894380A (zh) | 数字货币征信系统及方法 | |
| CN106296195A (zh) | 一种风险识别方法及装置 | |
| US20150095247A1 (en) | Classifying Fraud on Event Management Systems | |
| CN107872772A (zh) | 诈骗短信的检测方法及装置 | |
| US20230177526A1 (en) | Electronic payment network security | |
| CN109389457A (zh) | 申请收款权限的入网方法、装置、设备及可读存储介质 | |
| CN109510860A (zh) | 一种数据处理方法、相关设备及系统 | |
| CN106815723A (zh) | 转账方法及装置 | |
| CN108805650A (zh) | 一种订单匹配方法及服务器 | |
| CN106529955A (zh) | 一种支付方法及装置 | |
| CN109146661A (zh) | 用户类型预测方法、装置、电子设备及存储介质 | |
| CN106560853A (zh) | 一种业务处理方法和装置 | |
| CN108022096A (zh) | 一种移动支付方法、装置、终端及可读存储介质 | |
| CN109842858A (zh) | 一种业务异常订购检测方法及装置 | |
| CN107169766A (zh) | 一种支付环境的安全检测方法、装置及电子设备 | |
| CN112632409A (zh) | 同一用户识别方法、装置、计算机设备和存储介质 | |
| CN111125118A (zh) | 关联数据查询方法、装置、设备及介质 | |
| CN109871514A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN107506355B (zh) | 对象分组方法及装置 | |
| CN106330657A (zh) | 一种好友处理方法和装置 | |
| WO2017128685A1 (zh) | 一种交易处理方法以及交易系统 |
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 |