CN110020427A - 策略确定方法和装置 - Google Patents
策略确定方法和装置 Download PDFInfo
- Publication number
- CN110020427A CN110020427A CN201910093990.0A CN201910093990A CN110020427A CN 110020427 A CN110020427 A CN 110020427A CN 201910093990 A CN201910093990 A CN 201910093990A CN 110020427 A CN110020427 A CN 110020427A
- Authority
- CN
- China
- Prior art keywords
- text
- trade company
- library
- classification
- word
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06Q30/018—Certifying business or products
Abstract
本申请实施例提供了一种策略确定方法和装置，其中方法包括：获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种策略确定方法和装置。
背景技术
目前电商平台迅速发展，商户可以入驻电商平台，在电商平台中进行线上交易。电商平台为了保证商户和消费者的利益，需要对商户进行风险监控，比如监控商户的经营范围是否合法，商户是否存在欺诈经营等情况。
目前在对商户进行风险监控时，主要将商户自己上报的行业类别确定为商户所属的行业类别，基于商户所属的行业类别来对商户进行风险监控，然而这种方式无法排除商户人为谎报行业类别的情况，导致对商户实施的风险监控措施的精准性较差。
发明内容
本申请实施例的目的是提供一种策略确定方法和装置，以提高对商户进行风险监控的精准性。
为解决上述技术问题，本申请实施例是这样实现的：
本申请实施例提供了一种策略确定方法，包括：
获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
本申请实施例提供了一种策略确定装置，包括：
获取模块，用于获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
第一确定模块，用于根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
第二确定模块，用于获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
策略确定模块，用于基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
本申请实施例提供了一种策略确定设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述所述的策略确定方法的步骤。
本申请实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述所述的策略确定方法的步骤。
本申请实施例中，能够分别根据商户的签约文本信息和商户的交易数据，确定商户所属的第一行业类别和第二行业类别，并基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。由于本实施例中通过多种方式分别确定多次商户所属的行业类别，并根据多次的确定结果确定商户对应的风险监控策略，因此能够达到准确确定商户所属的行业类别，进而准确确定商户对应的风险监控策略的效果，解决现有技术中对商户实施的风险监控措施的精准性较差的问题，提高对商户进行风险监控的精准性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的策略确定方法的应用场景示意图；
图2为本申请一实施例提供的策略确定方法的流程示意图；
图3为本申请一实施例提供的确定第一行业类别的过程示意图；
图4为本申请一实施例提供的确定各个行业类别对应的关键文本库的过程示意图；
图5a为本申请一实施例提供的将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式的示意图；
图5b为本申请另一实施例提供的将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式的示意图；
图6为本申请一实施例提供的策略确定装置的模块组成示意图；
图7为本申请一实施例提供的策略确定设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请实施例提供了一种策略确定方法和装置，以提高对商户进行风险监控的精准性。
图1为本申请一实施例提供的策略确定方法的应用场景示意图，如图1所述，该场景包括用户终端100、商户终端200和服务器集群300。图1中，用户终端100、商户终端200分别和服务器集群300通信连接，服务器集群300上可以运行电商平台，商户可以通过商户终端200访问电商平台，从而在电商平台上开设店铺售卖产品，用户可以通过用户终端100访问电商平台，从而在电商平台上访问各个店铺以购买产品。服务器集群300可以执行本申请实施例中的策略确定方法，确定商户所属的行业类别，根据商户所属的行业类别确定商户对应的风险监控策略，并对商户进行风险监控。图1中，服务器集群300可以包括一台或多台服务器，用户终端和商户终端均可以为手机、电脑、平板电脑中的任意一项。
图2为本申请一实施例提供的策略确定方法的流程示意图，如图2所示，该流程包括以下步骤：
步骤S202，获取商户的签约文本信息；其中，签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
步骤S204，根据签约文本信息和各个行业类别对应的关键文本库，确定商户所属的第一行业类别；
步骤S206，获取商户的交易数据，根据商户的交易数据和训练的行业识别模型，确定商户所属的第二行业类别；
步骤S208，基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。
本申请实施例中，能够分别根据商户的签约文本信息和商户的交易数据，确定商户所属的第一行业类别和第二行业类别，并基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。由于本实施例中通过多种方式分别确定多次商户所属的行业类别，并根据多次的确定结果确定商户对应的风险监控策略，因此能够达到准确确定商户所属的行业类别，进而准确确定商户对应的风险监控策略的效果，解决现有技术中对商户实施的风险监控措施的精准性较差的问题，提高对商户进行风险监控的精准性。
上述步骤S202中，可以在商户签约时，获取商户的签约文本信息，或者，在商户签约后，与用户进行首笔交易前，获取商户的签约文本信息。签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项。
举例而言，在商户A签约后，与用户进行首笔交易前，获取商户A的签约文本信息，该签约文本信息包括商户A的商户名称“A”，经营的商品名称“A1”、“A2”和“A3”，商户工商信息以及商户地址信息。
上述步骤S204中，根据商户的签约文本信息和各个行业类别对应的关键文本库，确定商户所属的第一行业类别，具体为：
(a1)对商户的签约文本信息进行分词处理，得到多个第一文本词；
(a2)将第一文本词与各个关键文本库进行匹配，以确定第一文本词与各个关键文本库之间的匹配程度值；
(a3)根据第一文本词与各个关键文本库之间的匹配程度值，在各个关键文本库中确定目标文本库；
(a4)将目标文本库所属的行业类别，确定为商户所属的第一行业类别。
具体地，上述动作(a1)中，可以采用通用的分词算法如CRF及UNIGRAM算法对商户的签约文本信息进行分词处理，得到多个第一文本词。
上述动作(a2)中，将第一文本词与各个关键文本库进行匹配，以确定第一文本词与各个关键文本库之间的匹配程度值。其中，每个关键文本库对应一个行业类别，每个关键文本库中包含多个关键文本词，关键文本词与所对应的行业类别高度相关。本实施例中，可以将每个第一文本词分别与各个关键文本库进行匹配，以确定每个第一文本词与各个关键文本库之间的匹配程度值。
上述动作(a2)中，将第一文本词与各个关键文本库进行匹配，以确定第一文本词与各个关键文本库之间的匹配程度值，具体可以为：
(a21)根据各个关键文本库中的关键文本词的词向量，确定各个关键文本库的库向量；
(a22)根据第一文本词的词向量和各个关键文本库的库向量，确定第一文本词与各个关键文本库之间的匹配程度值。
动作(a21)中，首先对于每个关键文本库而言，确定该关键文本库中的各个关键文本词的词向量，本实施例中可以通过word2vec算法确定每个关键文本词的词向量，然后，对于每个关键文本库，对该关键文本库中各个关键文本词的词向量求均值，将求得的向量均值作为该关键文本库的库向量，从而根据各个关键文本库中的每个关键文本词的词向量，确定各个关键文本库的库向量。
动作(a22)中，计算每个第一文本词的词向量与每个关键文本库的库向量之间的距离，该距离可以为余弦距离，根据该余弦距离，确定每个第一文本词与每个关键文本库之间的匹配程度值，比如，将该余弦距离作为每个第一文本词与每个关键文本库之间的匹配程度值。
上述动作(a3)中，可以将对应的匹配程度值最大的关键文本库确定为目标文本库。比如，假定分词得到3个第一文本词，并且假设有4个关键文本库，则能够通过动作(a22)计算得到每个第一文本词与每个关键文本库之间的匹配程度值，共有12个匹配程度值，动作(a3)中，在这12个匹配程度值中选取最大的匹配程度值，将该最大的匹配程度值所对应的关键文本库确定为目标文本库。
上述动作(a4)中，将目标文本库所属的行业类别，确定为商户所属的第一行业类别。
在一个具体的实施例中，考虑到第一文本词中可能存在人名地名等文本词，这些文本词对于计算匹配程度值存在干扰，则可以在动作(a1)之后，确定每个第一文本词的语义信息，根据第一文本词的语义信息，在第一文本词中删除语义信息不符合预设语义要求的第一文本词，并利用删除后剩余的第一文本词执行动作(a2)至(a4)。其中，被删除的第一文本词可以为人名、地名等文本词。
下面以一个具体的例子来详细解释本实施例中的确定第一行业类别的过程。图3为本申请一实施例提供的确定第一行业类别的过程示意图，如图3所示，商户的签约文本信息包括商户的商户名称“壳牌山西石油有限公司”。本实施例中，首先对商户名称进行分词处理，得到多个第一文本词，包括“壳牌”、“石油”、“山西”、“有限”、“公司”。然后，在多个第一文本词中删除地名、人名等词，得到删除后的第一文本词，包括：“壳牌”、“石油”、“有限”、“公司”。
接下来，对于每个关键文本库而言，计算该关键文本库中的各个关键文本词的词向量，并且对于每个关键文本库，对该关键文本库中各个关键文本词的词向量求均值，将求得的向量均值作为该关键文本库的库向量。
接下来，分别将每个删除后的第一文本词与每个关键文本库进行匹配，计算每个删除后的第一文本词的词向量与每个关键文本库的库向量之间的余弦距离，将该余弦距离作为每个删除后的第一文本词与每个关键文本库之间的匹配程度值。为便于表述，图3中以关键文本库有两个为例进行示意，各个关键文本库对应的行业类别分别为“加油站”和“药店”，实际操作中，关键文本库可能有多个。
接下来，在计算得到的多个匹配程度值中，确定取值最大的匹配程度值，将该最大的匹配程度值所对应的关键文本库确定为目标文本库。如图3所示，“石油”与“加油站”对应的关键文本库之间的匹配程度值为0.9，“壳牌”与“加油站”对应的关键文本库之间的匹配程度值为0.8，“有限”与“加油站”对应的关键文本库之间的匹配程度值为0.4，“公司”与“加油站”对应的关键文本库之间的匹配程度值为0.4；“石油”与“药店”对应的关键文本库之间的匹配程度值为0.1，“壳牌”与“药店”对应的关键文本库之间的匹配程度值为0.1，“有限”与“药店”对应的关键文本库之间的匹配程度值为0.4，“公司”与“药店”对应的关键文本库之间的匹配程度值为0.4。因此在图3中，将“加油站”对应的关键文本库确定为目标文本库。
最后，将目标文本库所属的行业类别，确定为商户所属的第一行业类别。图3中，第一行业类别即为“加油站”。
可见，通过本申请实施例中的方法，能够根据商户的签约文本信息和各个行业类别对应的关键文本库，准确确定商户所属的第一行业类别，该方法能够应用在商户签约后进行首笔交易前，从而在商户签约后的第一时间初步确定商户所属的行业类别。
根据以上描述可知，本实施例中，预设有多个关键文本库，每个关键文本库对应一个行业类别，每个关键文本库中包含多个关键文本词，关键文本词与所对应的行业类别高度相关。下面描述如何得到每个行业类别所对应的关键文本库。本实施例中，可以通过以下方式确定得到各个行业类别对应的关键文本库：
(b1)获取各个行业类别对应的行业特征语料库，并对行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
(b2)根据第二文本词的语义信息、词频值和词向量，在各个行业类别对应的多个第二文本词中筛选各个行业类别对应的初始文本词，利用初始文本词组成各个行业类别对应的初始文本库；
(b3)根据各个行业类别对应的初始文本词的词向量，对各个初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
上述动作(b1)中，首先从数据库中获取各个行业类别对应的行业特征语料库，行业特征语料库可以是人工预先确定的语料库，该语料库中包括与对应的行业类别相关的字词或句子。上述动作(b1)中，可以利用CRF及UNIGRAM算法对每个行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词。
上述动作(b2)中，首先确定每个第二文本词的语义信息，根据第二文本词的语义信息，在各个行业类别对应的多个第二文本词中删除语义信息不符合预设语义要求的第二文本词，其中，被删除的第二文本词可以为人名、地名等文本词。然后，然后，针对每个行业类别，通过TFIDF算法计算该行业类别对应的每个剩余的第二文本词的词频值，并在该行业类别对应的多个剩余的第二文本词中，删除词频值小于预设词频阈值的第二文本词，得到该行业类别再次剩余的多个第二文本词。
接下来，针对每个行业类别，还通过word2vec算方法计算该行业类别的每个再次剩余的第二文本词的词向量，并将该行业类别的每个再次剩余的第二文本词的词向量的平均值，作为该行业类别的再次剩余的多个第二文本词的中心词向量。在得到中心词向量后，针对每个行业类别，计算该行业类别的每个再次剩余的第二文本词的词向量与该行业类别的中心词向量之间的距离，并在该行业类别的再次剩余的多个第二文本词中，删除该距离小于预设距离阈值的第二文本词。最后，利用每个行业类别的最终剩余的第二文本词作为该行业类别对应的初始文本词，并得到该行业类别对应的初始文本库。通过本实施例，能够得到每个行业类别对应的初始文本库。
上述动作(b3)中，根据各个行业类别对应的初始文本词的词向量，对各个初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
该步骤具体包括：
(b31)根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
(b32)根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
(b33)将初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为初始文本库对应的行业类别所对应的关键文本库。
动作(b31)中，针对每个行业类别对应的初始文本库，首先计算该行业类别对应的初始文本库中的各个初始文本词的词向量，然后将该行业类别的各个初始文本词的词向量作为该行业类别的初始文本库的库向量。
动作(b32)中，可以计算每两个行业类别的初始文本库的库向量之间的余弦距离，并将每个行业类别的初始文本库作为节点，以该余弦距离为边，做无向图。然后利用社群发现方法Louvain，对该无向图进行分解，并将分解得到的图中依然相连的两个节点所对应的初始文本库确定为相互对应的相似文本库。
动作(b33)中，将初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为该初始文本库对应的行业类别所对应的关键文本库。比如，初始文本库共有ABCD四个，通过动作(b32)，确定初始文本库A对应的相似文本库为B、初始文本库C和D不具有对应的相似文本库，则本动作中，将初始文本库A和B进行合并，将合并后得到的文本库，确定为初始文本库A对应的行业类别所对应的关键文本库。通过该方式，在一个具体的实施例中，能够将“超市”对应的初始文本库与“杂货店”对应的初始文本库进行合并，合并后得到的文本库可以为作为“超市”对应的关键文本库，还可以作为“杂货店”对应的关键文本库。
下面以一个具体的例子来详细解释本实施例中的确定各个行业类别对应的关键文本库的过程。
图4为本申请一实施例提供的确定各个行业类别对应的关键文本库的过程示意图，如图所4所示，首先从数据库中获取行业类别A、B和C对应的行业特征语料库，并对每个行业类别对应的行业特征语料库中的文本进行分词处理，得到每个行业类别对应的多个第二文本词。
然后，针对每个行业类别，确定该行业类别对应的多个第二文本词的语义信息，并在该行业类别对应的多个第二文本词中，删除义信息不符合预设语义要求的第二文本词，其中，被删除的第二文本词可以为人名、地名等文本词，从而得到每个行业类别对应的多个剩余的第二文本词。
然后，针对每个行业类别，计算该行业类别对应的每个剩余的第二文本词的词频值，并在该行业类别对应的多个剩余的第二文本词中，删除词频值小于预设词频阈值的第二文本词，得到该行业类别再次剩余的多个第二文本词。
接下来，针对每个行业类别，还通过word2vec算方法计算该行业类别的每个再次剩余的第二文本词的词向量，并将该行业类别的每个再次剩余的第二文本词的词向量的平均值，作为该行业类别的再次剩余的多个第二文本词的中心词向量。在得到中心词向量后，针对每个行业类别，计算该行业类别的每个再次剩余的第二文本词的词向量与该行业类别的中心词向量之间的距离，并在该行业类别的再次剩余的多个第二文本词中，删除该距离小于预设距离阈值的第二文本词。最后，利用每个行业类别的最终剩余的第二文本词作为初始文本词组成该行业类别对应的初始文本库。如图4所示，能够得到行业类别A、B和C对应的初始文本库。
接下来，针对每个行业类别对应的初始文本库，首先计算该行业类别对应的初始文本库中的各个初始文本词的词向量，然后将该行业类别的各个初始文本词的词向量作为该行业类别的初始文本库的库向量，从而得到行业类别A、B和C的初始文本库的库向量。
以每个行业类别的初始文本库为节点，以每两个行业类别的初始文本库的库向量之间的余弦距离为边，创建无向图。利用社群发现方法Louvain，对该无向图进行分解，并将分解得到的图中依然相连的两个节点所对应的初始文本库确定为相互对应的相似文本库。如图4所示，分解后确定行业类别A和行业类别B所对应的初始文本库确定为相互对应的相似文本库。
最后，将行业类别A和行业类别B所对应的初始文本库进行合并，将合并后得到的文本库，确定为行业类别A或者行业类别B所对应的关键文本库。图4中，还将行业类别C所对应的初始文本库确定为行业类别C所对应的关键文本库。
可见，通过本申请实施例中的方法，能够以预先确定的每个行业类别的行业特征语料库为基础，确定每个行业类别对应的关键文本库，从而为确定商户的第一行业类别打下基础。
可见，通过本申请实施例中的方法，能够根据商户的签约文本信息和各个行业类别对应的关键文本库，准确确定商户所属的第一行业类别，该方法能够应用在商户签约后进行首笔交易前，从而在商户签约后的第一时间初步确定商户所属的行业类别。
上述步骤S206中，根据商户的交易数据和训练的行业识别模型，确定商户所属的第二行业类别，具体为：
(c1)根据商户的交易数据确定商户的交易特征数据，并将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
(c2)将商户的交易特征数据对应的数据序列输入训练的行业识别模型进行运算，根据运算结果确定商户所属的第二行业类别。
上述动作(c1)中，首先根据商户的交易数据确定商户的交易特征数据，商户的交易特征数据包括但不限于交易笔数、交易金额、交易的用户数量等数据。然后将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式。以交易特征数据为交易金额为例，可以以时间作为横坐标，交易金额作为纵坐标，从而将商户的交易金额表示为按照时间顺序排列的数据序列的形式。以交易特征数据为交易笔数为例，可以以时间段作为横坐标，交易笔数作为纵坐标，从而将商户的交易笔数表示为按照时间顺序排列的数据序列的形式。
图5a为本申请一实施例提供的将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式的示意图，如图5a所示，以交易特征数据为交易金额为例，该数据序列能够表示多个商户在不同时间的交易金额。
图5b为本申请另一实施例提供的将商户的交易特征数据表示为按照时间顺序排列的数据序列的形式的示意图，如图5b所示，以交易特征数据为交易金额为例，该数据序列能够表示多个商户在不同时间的交易金额。
然后，上述动作(c2)中，将商户的交易特征数据对应的数据序列输入行业识别模型进行运算，根据运算结果确定商户所属的第二行业类别。比如，运算结果为1，表示第二行业类别为饭店，运算结果为2，表示第二行业类别为加油站。一个实施例中，行业识别模型可以为卷积神经网络(CNN，Convolutional Neural Networks)模型。
本实施例还给出了行业识别模型的训练过程。行业识别模型通过以下方式训练得到：
(d1)获取多个样本商户的交易数据，并根据样本商户所属的行业类别确定样本商户的交易数据对应的数据标签；
(d2)根据样本商户的交易数据确定样本商户的交易特征数据，并将样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
(d3)根据样本商户的交易特征数据对应的数据序列和样本商户的交易数据对应的数据标签，训练行业识别模型，行业识别模型包括卷积神经网络模型。
上述动作(d1)中，首先获取多个样本商户的交易数据，这些样本商户是所属的行业类别已经确定的商户。然后，根据样本商户所属的行业类别确定样本商户的交易数据对应的数据标签，比如，数据标签可以为“餐饮”，表示对应的样本商户所属的行业类别为餐饮类。一个实施例中，可以获取样本商户近7天内的交易数据作为模型训练基础。
上述动作(d2)中，首先根据样本商户的交易数据确定样本商户的交易特征数据，样本商户的交易特征数据包括但不限于交易笔数、交易金额、交易的用户数量等数据。然后将样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式。以交易特征数据为交易金额为例，可以以时间作为横坐标，交易金额作为纵坐标，从而将样本商户的交易金额表示为按照时间顺序排列的数据序列的形式。以交易特征数据为交易笔数为例，可以以时间段作为横坐标，交易笔数作为纵坐标，从而将样本商户的交易笔数表示为按照时间顺序排列的数据序列的形式。
一个具体的实施例中，可以参考上述图5a和图5b将样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式。该实施例中，将样本商户近七天内每分钟的交易数据对应的交易特征数据做成张量，交给CNN模型学习这其中的“纹理”即可，其中，交易特征数据表征成矩阵的形式，矩阵是时间的切分，其中行代表1天，切分成1440维(1440分钟)，列代表一周，共7天。
上述动作(d3)中，根据样本商户的交易特征数据对应的数据序列和样本商户的交易数据对应的数据标签，训练行业识别模型，行业识别模型包括卷积神经网络模型。在一个具体的实施例中，可以按照CNN模型的格式要求，将样本商户的交易特征数据对应的数据序列转换成张量格式，输入至CNN模型中进行训练，在训练好的CNN模型中，通道数量等于交易特征数据对应的特征数量，比如，交易特征数据包括交易笔数、交易金额、交易的用户数量，则交易特征数据对应的特征数量为3个。利用训练好的行业识别模型即可根据商户的交易数据识别商户所属的第二行业类别。
可见，通过本申请实施例中的方法，能够根据商户的交易数据确定商户所属的第二行业类别，该方法能够应用在商户进行交易后，从而在商户进行交易后基于商户的交易情况准确确定商户所属的行业类别。
上述步骤S208中，基于第一行业类别和第二行业类别，确定商户对应的风险监控策略，可以为：若第一行业类别和第二行业类别相同，则确定商户对应第一风险监控策略，第一风险监控策略的商户打扰率低于打扰率阈值；若第一行业类别和第二行业类别不同，则确定商户对应第二风险监控策略，第二风险监控策略的商户打扰率高于打扰率阈值。
具体地，若第一行业类别和第二行业类别相同，则说明该商户具有的风险较小，因此采用商户打扰率低于打扰率阈值的第一风险监控策略作为该商户对应的风险监控策略。若第一行业类别和第二行业类别不同，则说明该商户可能填写虚假签约信息，存在的风险较大，因此采用商户打扰率高于打扰率阈值的第二风险监控策略作为该商户对应的风险监控策略。其中，商户打扰率为实施该风险监控策略后，受到该策略影响(如被该策略判定为疑似风险商户)的商户数量占全部商户数量的比例。
可见，通过本申请实施例中的方法，能够根据商户的第一行业类别和第二行业类别确定商户对应的风险监控策略，避免由于商户谎报行业类别而造成的风险监控精准性降低的问题，提高对商户进行风险监控的精准性。
本申请实施例中的确定第一行业类别的过程和确定第二行业类别的过程可以共同实施也可以单独实施。比如单独实施确定第一行业类别的过程，从而在商户未填写行业类别的情况下补全商户所属的行业类别信息，在商户已填写行业类别的情况下判断商户签约时所填写的行业类别是否有误，若判断出商户的第一行业类别为禁止上线的行业类别，则可以拒绝商户的签约请求。又如，单独实施确定第二行业类别的过程，从而判断商户签约时所填写的行业类别是否有误，若有误则根据第二行业类别进行更正。本实施例中以上提及的行业类别又可以称为商户类别码(MCC码)。
综上，本申请实施例中的方法，能够在商户签约阶段和交易阶段分别确定商户所属的行业类别，能够达到在商户的不同生命周期内进行商户管控的效果。对刚签约的商户即可通过文本分析的方式确定所属的行业类别，有很强的灵活性，并且文本分析的方式节省人力成本容易维护。通过训练的行业识别模型可以在商户的交易阶段确定商户所属的行业类别，模型训练自动化，行业识别的效率和准确率都较高。
基于上述的策略确定方法，本申请实施例还提供了一种策略确定装置，用于实现上述的策略确定方法。图6为本申请一实施例提供的策略确定装置的模块组成示意图，如图6所示，该装置包括：
获取模块61，用于获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
第一确定模块62，用于根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
第二确定模块63，用于获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
策略确定模块64，用于基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
可选地，所述第一确定模块62具体用于：
对所述签约文本信息进行分词处理，得到多个第一文本词；
将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值；
根据所述第一文本词与各个所述关键文本库之间的匹配程度值，在各个所述关键文本库中确定目标文本库；
将所述目标文本库所属的行业类别，确定为所述商户所属的第一行业类别。
可选地，所述第一确定模块62还具体用于：
根据各个所述关键文本库中的关键文本词的词向量，确定各个所述关键文本库的库向量；
根据所述第一文本词的词向量和各个所述关键文本库的库向量，确定所述第一文本词与各个所述关键文本库之间的匹配程度值。
可选地，还包括文本库确定模块，用于：
获取各个行业类别对应的行业特征语料库，并对所述行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
根据所述第二文本词的语义信息、词频值和词向量，在各个行业类别对应的所述多个第二文本词中筛选各个行业类别对应的初始文本词，利用所述初始文本词组成各个行业类别对应的初始文本库；
根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
可选地，所述文本库确定模块具体用于：
根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
将所述初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为所述初始文本库对应的行业类别所对应的关键文本库。
可选地，所述第二确定模块63具体用于：
根据所述交易数据确定所述商户的交易特征数据，并将所述商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
将所述商户的交易特征数据对应的数据序列输入所述行业识别模型进行运算，根据运算结果确定所述商户所属的第二行业类别。
可选地，还包括模型训练模块，用于：
获取多个样本商户的交易数据，并根据所述样本商户所属的行业类别确定所述样本商户的交易数据对应的数据标签；
根据所述样本商户的交易数据确定所述样本商户的交易特征数据，并将所述样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
根据所述样本商户的交易特征数据对应的数据序列和所述样本商户的交易数据对应的数据标签，训练所述行业识别模型，所述行业识别模型包括卷积神经网络模型。
可选地，所述策略确定模块64，用于：
若所述第一行业类别和所述第二行业类别相同，则确定所述商户对应第一风险监控策略，所述第一风险监控策略的商户打扰率低于打扰率阈值；
若所述第一行业类别和所述第二行业类别不同，则确定所述商户对应第二风险监控策略，所述第二风险监控策略的商户打扰率高于打扰率阈值。
本申请实施例中，能够分别根据商户的签约文本信息和商户的交易数据，确定商户所属的第一行业类别和第二行业类别，并基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。由于本实施例中通过多种方式分别确定多次商户所属的行业类别，并根据多次的确定结果确定商户对应的风险监控策略，因此能够达到准确确定商户所属的行业类别，进而准确确定商户对应的风险监控策略的效果，解决现有技术中对商户实施的风险监控措施的精准性较差的问题，提高对商户进行风险监控的精准性。
需要说明的是，本申请实施例中的策略确定装置能够实现前述策略确定方法实施例中的各个过程，并达到相同的效果和功能，这里不再重复。
进一步地，本申请实施例还提供了一种策略确定设备，图7为本申请一实施例提供的策略确定设备的结构示意图，如图7所示，策略确定设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对策略确定设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在策略确定设备上执行存储器902中的一系列计算机可执行指令。策略确定设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，策略确定设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对策略确定设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
可选地，计算机可执行指令在被执行时，根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别，包括：
对所述签约文本信息进行分词处理，得到多个第一文本词；
将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值；
根据所述第一文本词与各个所述关键文本库之间的匹配程度值，在各个所述关键文本库中确定目标文本库；
将所述目标文本库所属的行业类别，确定为所述商户所属的第一行业类别。
可选地，计算机可执行指令在被执行时，将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值，包括：
根据各个所述关键文本库中的关键文本词的词向量，确定各个所述关键文本库的库向量；
根据所述第一文本词的词向量和各个所述关键文本库的库向量，确定所述第一文本词与各个所述关键文本库之间的匹配程度值。
可选地，计算机可执行指令在被执行时，通过以下方式确定得到各个行业类别对应的关键文本库：
获取各个行业类别对应的行业特征语料库，并对所述行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
根据所述第二文本词的语义信息、词频值和词向量，在各个行业类别对应的所述多个第二文本词中筛选各个行业类别对应的初始文本词，利用所述初始文本词组成各个行业类别对应的初始文本库；
根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
可选地，计算机可执行指令在被执行时，根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库，包括：
根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
将所述初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为所述初始文本库对应的行业类别所对应的关键文本库。
可选地，计算机可执行指令在被执行时，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别，包括：
根据所述交易数据确定所述商户的交易特征数据，并将所述商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
将所述商户的交易特征数据对应的数据序列输入所述行业识别模型进行运算，根据运算结果确定所述商户所属的第二行业类别。
可选地，计算机可执行指令在被执行时，所述行业识别模型通过以下方式训练得到：
获取多个样本商户的交易数据，并根据所述样本商户所属的行业类别确定所述样本商户的交易数据对应的数据标签；
根据所述样本商户的交易数据确定所述样本商户的交易特征数据，并将所述样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
根据所述样本商户的交易特征数据对应的数据序列和所述样本商户的交易数据对应的数据标签，训练所述行业识别模型，所述行业识别模型包括卷积神经网络模型。
可选地，计算机可执行指令在被执行时，基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略，包括：
若所述第一行业类别和所述第二行业类别相同，则确定所述商户对应第一风险监控策略，所述第一风险监控策略的商户打扰率低于打扰率阈值；
若所述第一行业类别和所述第二行业类别不同，则确定所述商户对应第二风险监控策略，所述第二风险监控策略的商户打扰率高于打扰率阈值。
本申请实施例中，能够分别根据商户的签约文本信息和商户的交易数据，确定商户所属的第一行业类别和第二行业类别，并基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。由于本实施例中通过多种方式分别确定多次商户所属的行业类别，并根据多次的确定结果确定商户对应的风险监控策略，因此能够达到准确确定商户所属的行业类别，进而准确确定商户对应的风险监控策略的效果，解决现有技术中对商户实施的风险监控措施的精准性较差的问题，提高对商户进行风险监控的精准性。
需要说明的是，本申请实施例中的策略确定设备能够实现前述策略确定方法实施例中的各个过程，并达到相同的效果和功能，这里不再重复。
进一步地，基于上述图1至图5所示的方法，本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别，包括：
对所述签约文本信息进行分词处理，得到多个第一文本词；
将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值；
根据所述第一文本词与各个所述关键文本库之间的匹配程度值，在各个所述关键文本库中确定目标文本库；
将所述目标文本库所属的行业类别，确定为所述商户所属的第一行业类别。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值，包括：
根据各个所述关键文本库中的关键文本词的词向量，确定各个所述关键文本库的库向量；
根据所述第一文本词的词向量和各个所述关键文本库的库向量，确定所述第一文本词与各个所述关键文本库之间的匹配程度值。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，通过以下方式确定得到各个行业类别对应的关键文本库：
获取各个行业类别对应的行业特征语料库，并对所述行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
根据所述第二文本词的语义信息、词频值和词向量，在各个行业类别对应的所述多个第二文本词中筛选各个行业类别对应的初始文本词，利用所述初始文本词组成各个行业类别对应的初始文本库；
根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库，包括：
根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
将所述初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为所述初始文本库对应的行业类别所对应的关键文本库。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别，包括：
根据所述交易数据确定所述商户的交易特征数据，并将所述商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
将所述商户的交易特征数据对应的数据序列输入所述行业识别模型进行运算，根据运算结果确定所述商户所属的第二行业类别。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述行业识别模型通过以下方式训练得到：
获取多个样本商户的交易数据，并根据所述样本商户所属的行业类别确定所述样本商户的交易数据对应的数据标签；
根据所述样本商户的交易数据确定所述样本商户的交易特征数据，并将所述样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
根据所述样本商户的交易特征数据对应的数据序列和所述样本商户的交易数据对应的数据标签，训练所述行业识别模型，所述行业识别模型包括卷积神经网络模型。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略，包括：
若所述第一行业类别和所述第二行业类别相同，则确定所述商户对应第一风险监控策略，所述第一风险监控策略的商户打扰率低于打扰率阈值；
若所述第一行业类别和所述第二行业类别不同，则确定所述商户对应第二风险监控策略，所述第二风险监控策略的商户打扰率高于打扰率阈值。
本申请实施例中，能够分别根据商户的签约文本信息和商户的交易数据，确定商户所属的第一行业类别和第二行业类别，并基于第一行业类别和第二行业类别，确定商户对应的风险监控策略。由于本实施例中通过多种方式分别确定多次商户所属的行业类别，并根据多次的确定结果确定商户对应的风险监控策略，因此能够达到准确确定商户所属的行业类别，进而准确确定商户对应的风险监控策略的效果，解决现有技术中对商户实施的风险监控措施的精准性较差的问题，提高对商户进行风险监控的精准性。
需要说明的是，本申请实施例中的存储介质能够实现前述策略确定方法实施例中的各个过程，并达到相同的效果和功能，这里不再重复。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种策略确定方法，其特征在于，包括：
获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
2.根据权利要求1所述的方法，其特征在于，根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别，包括：
对所述签约文本信息进行分词处理，得到多个第一文本词；
将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值；
根据所述第一文本词与各个所述关键文本库之间的匹配程度值，在各个所述关键文本库中确定目标文本库；
将所述目标文本库所属的行业类别，确定为所述商户所属的第一行业类别。
3.根据权利要求2所述的方法，其特征在于，将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值，包括：
根据各个所述关键文本库中的关键文本词的词向量，确定各个所述关键文本库的库向量；
根据所述第一文本词的词向量和各个所述关键文本库的库向量，确定所述第一文本词与各个所述关键文本库之间的匹配程度值。
4.根据权利要求1至3任一项所述的方法，其特征在于，通过以下方式确定得到各个行业类别对应的关键文本库：
获取各个行业类别对应的行业特征语料库，并对所述行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
根据所述第二文本词的语义信息、词频值和词向量，在各个行业类别对应的所述多个第二文本词中筛选各个行业类别对应的初始文本词，利用所述初始文本词组成各个行业类别对应的初始文本库；
根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
5.根据权利要求4所述的方法，其特征在于，根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库，包括：
根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
将所述初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为所述初始文本库对应的行业类别所对应的关键文本库。
6.根据权利要求1所述的方法，其特征在于，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别，包括：
根据所述交易数据确定所述商户的交易特征数据，并将所述商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
将所述商户的交易特征数据对应的数据序列输入所述行业识别模型进行运算，根据运算结果确定所述商户所属的第二行业类别。
7.根据权利要求1或6所述的方法，其特征在于，所述行业识别模型通过以下方式训练得到：
获取多个样本商户的交易数据，并根据所述样本商户所属的行业类别确定所述样本商户的交易数据对应的数据标签；
根据所述样本商户的交易数据确定所述样本商户的交易特征数据，并将所述样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
根据所述样本商户的交易特征数据对应的数据序列和所述样本商户的交易数据对应的数据标签，训练所述行业识别模型，所述行业识别模型包括卷积神经网络模型。
8.根据权利要求1所述的方法，其特征在于，基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略，包括：
若所述第一行业类别和所述第二行业类别相同，则确定所述商户对应第一风险监控策略，所述第一风险监控策略的商户打扰率低于打扰率阈值；
若所述第一行业类别和所述第二行业类别不同，则确定所述商户对应第二风险监控策略，所述第二风险监控策略的商户打扰率高于打扰率阈值。
9.一种策略确定装置，其特征在于，包括：
获取模块，用于获取商户的签约文本信息；其中，所述签约文本信息包括商户名称、经营的商品名称、商户工商信息、商户地址信息中的至少一项；
第一确定模块，用于根据所述签约文本信息和各个行业类别对应的关键文本库，确定所述商户所属的第一行业类别；
第二确定模块，用于获取所述商户的交易数据，根据所述交易数据和训练的行业识别模型，确定所述商户所属的第二行业类别；
策略确定模块，用于基于所述第一行业类别和所述第二行业类别，确定所述商户对应的风险监控策略。
10.根据权利要求9所述的装置，其特征在于，所述第一确定模块具体用于：
对所述签约文本信息进行分词处理，得到多个第一文本词；
将所述第一文本词与各个所述关键文本库进行匹配，以确定所述第一文本词与各个所述关键文本库之间的匹配程度值；
根据所述第一文本词与各个所述关键文本库之间的匹配程度值，在各个所述关键文本库中确定目标文本库；
将所述目标文本库所属的行业类别，确定为所述商户所属的第一行业类别。
11.根据权利要求10所述的装置，其特征在于，所述第一确定模块还具体用于：
根据各个所述关键文本库中的关键文本词的词向量，确定各个所述关键文本库的库向量；
根据所述第一文本词的词向量和各个所述关键文本库的库向量，确定所述第一文本词与各个所述关键文本库之间的匹配程度值。
12.根据权利要求9至11任一项所述的装置，其特征在于，还包括文本库确定模块，用于：
获取各个行业类别对应的行业特征语料库，并对所述行业特征语料库中的文本进行分词处理，得到各个行业类别对应的多个第二文本词；
根据所述第二文本词的语义信息、词频值和词向量，在各个行业类别对应的所述多个第二文本词中筛选各个行业类别对应的初始文本词，利用所述初始文本词组成各个行业类别对应的初始文本库；
根据各个行业类别对应的初始文本词的词向量，对各个所述初始文本库进行合并，根据合并结果确定各个行业类别对应的关键文本库。
13.根据权利要求12所述的装置，其特征在于，所述文本库确定模块具体用于：
根据各个行业类别对应的初始文本词的词向量，确定各个行业类别对应的初始文本库的库向量；
根据各个初始文本库的库向量，在各个初始文本库中确定初始文本库对应的相似文本库；
将所述初始文本库与对应的相似文本库进行合并，将合并后得到的文本库，确定为所述初始文本库对应的行业类别所对应的关键文本库。
14.根据权利要求9所述的装置，其特征在于，所述第二确定模块具体用于：
根据所述交易数据确定所述商户的交易特征数据，并将所述商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
将所述商户的交易特征数据对应的数据序列输入所述行业识别模型进行运算，根据运算结果确定所述商户所属的第二行业类别。
15.根据权利要求9或14所述的装置，其特征在于，还包括模型训练模块，用于：
获取多个样本商户的交易数据，并根据所述样本商户所属的行业类别确定所述样本商户的交易数据对应的数据标签；
根据所述样本商户的交易数据确定所述样本商户的交易特征数据，并将所述样本商户的交易特征数据表示为按照时间顺序排列的数据序列的形式；
根据所述样本商户的交易特征数据对应的数据序列和所述样本商户的交易数据对应的数据标签，训练所述行业识别模型，所述行业识别模型包括卷积神经网络模型。
16.根据权利要求9所述的装置，其特征在于，所述策略确定模块，用于：
若所述第一行业类别和所述第二行业类别相同，则确定所述商户对应第一风险监控策略，所述第一风险监控策略的商户打扰率低于打扰率阈值；
若所述第一行业类别和所述第二行业类别不同，则确定所述商户对应第二风险监控策略，所述第二风险监控策略的商户打扰率高于打扰率阈值。
17.一种策略确定设备，其特征在于，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至8任一项所述的策略确定方法的步骤。
18.一种存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述权利要求1至8任一项所述的策略确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910093990.0A CN110020427B (zh) | 2019-01-30 | 2019-01-30 | 策略确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910093990.0A CN110020427B (zh) | 2019-01-30 | 2019-01-30 | 策略确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020427A true CN110020427A (zh) | 2019-07-16 |
| CN110020427B CN110020427B (zh) | 2023-10-17 |
Family
ID=67188947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910093990.0A Active CN110020427B (zh) | 2019-01-30 | 2019-01-30 | 策略确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020427B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159398A (zh) * | 2019-12-05 | 2020-05-15 | 银联智策顾问（上海）有限公司 | 一种识别商户类型的方法及装置 |
| CN111275095A (zh) * | 2020-01-17 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 一种对象类型识别方法及装置 |
| CN111368543A (zh) * | 2020-02-18 | 2020-07-03 | 银联智策顾问（上海）有限公司 | 一种确定商户类别的方法及装置 |
| CN111753496A (zh) * | 2020-06-22 | 2020-10-09 | 平安付科技服务有限公司 | 行业类别识别方法、装置、计算机设备及可读存储介质 |
| CN111784448A (zh) * | 2020-06-24 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种商户数据的处理方法及系统 |
| CN112163153A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 行业标签的确定方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140172507A1 (en) * | 2012-12-17 | 2014-06-19 | Discover Financial Services Llc | Merchant attrition predictive model |
| CN107958341A (zh) * | 2017-12-12 | 2018-04-24 | 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 |
| CN108133372A (zh) * | 2017-12-28 | 2018-06-08 | 阿里巴巴集团控股有限公司 | 评估支付风险的方法及装置 |
| CN108564386A (zh) * | 2018-04-28 | 2018-09-21 | 腾讯科技（深圳）有限公司 | 商户识别方法及装置、计算机设备及存储介质 |
| CN109191129A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种风控方法、系统及计算机设备 |
-
2019
- 2019-01-30 CN CN201910093990.0A patent/CN110020427B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140172507A1 (en) * | 2012-12-17 | 2014-06-19 | Discover Financial Services Llc | Merchant attrition predictive model |
| CN107958341A (zh) * | 2017-12-12 | 2018-04-24 | 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 |
| CN108133372A (zh) * | 2017-12-28 | 2018-06-08 | 阿里巴巴集团控股有限公司 | 评估支付风险的方法及装置 |
| CN108564386A (zh) * | 2018-04-28 | 2018-09-21 | 腾讯科技（深圳）有限公司 | 商户识别方法及装置、计算机设备及存储介质 |
| CN109191129A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种风控方法、系统及计算机设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159398A (zh) * | 2019-12-05 | 2020-05-15 | 银联智策顾问（上海）有限公司 | 一种识别商户类型的方法及装置 |
| CN111159398B (zh) * | 2019-12-05 | 2023-10-31 | 银联智策顾问（上海）有限公司 | 一种识别商户类型的方法及装置 |
| CN111275095A (zh) * | 2020-01-17 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 一种对象类型识别方法及装置 |
| CN111275095B (zh) * | 2020-01-17 | 2022-12-06 | 支付宝(杭州)信息技术有限公司 | 一种对象类型识别方法及装置 |
| CN111368543A (zh) * | 2020-02-18 | 2020-07-03 | 银联智策顾问（上海）有限公司 | 一种确定商户类别的方法及装置 |
| CN111753496A (zh) * | 2020-06-22 | 2020-10-09 | 平安付科技服务有限公司 | 行业类别识别方法、装置、计算机设备及可读存储介质 |
| CN111753496B (zh) * | 2020-06-22 | 2023-06-23 | 平安付科技服务有限公司 | 行业类别识别方法、装置、计算机设备及可读存储介质 |
| CN111784448A (zh) * | 2020-06-24 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种商户数据的处理方法及系统 |
| CN112163153A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 行业标签的确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020427B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020427A (zh) | 策略确定方法和装置 | |
| CN108492124A (zh) | 店铺信息推荐方法、装置及客户端 | |
| CN108460523A (zh) | 一种风控规则生成方法和装置 | |
| CN109934706A (zh) | 一种基于图结构模型的交易风险控制方法、装置以及设备 | |
| CN107424069A (zh) | 一种风控特征的生成方法、风险监控方法及设备 | |
| CN108418825A (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
| CN108537568A (zh) | 一种信息推荐方法和装置 | |
| CN108921566A (zh) | 一种基于图结构模型的虚假交易识别方法和装置 | |
| CN108154211A (zh) | 二维码生成、业务处理方法、装置和设备以及二维码 | |
| CN108052979A (zh) | 对模型预测值进行融合的方法、装置和设备 | |
| CN108346107A (zh) | 一种社交内容风险识别方法、装置以及设备 | |
| CN103455555B (zh) | 基于移动终端相似度的推荐方法及推荐装置 | |
| CN110046784A (zh) | 一种用户准入的风险确定方法及装置 | |
| CN110020662A (zh) | 用户分类模型的训练方法和装置 | |
| CN110503435A (zh) | 基于区块链的交易预警方法、装置及设备 | |
| CN110032582A (zh) | 一种数据处理方法、装置、设备及系统 | |
| CN109597678A (zh) | 任务处理方法及装置 | |
| CN110516915B (zh) | 业务节点训练、评估方法、装置及电子设备 | |
| CN110263817B (zh) | 一种基于用户账号的风险等级划分方法及装置 | |
| CN110134860A (zh) | 用户画像生成方法、装置和设备 | |
| CN110502614A (zh) | 文本拦截方法、装置、系统以及设备 | |
| CN108665142A (zh) | 一种规则的推荐方法、装置及设备 | |
| CN110033092A (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
| CN109492401A (zh) | 一种内容载体风险检测方法、装置、设备及介质 | |
| CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |