CN110111106A - 交易风险监控方法及装置 - Google Patents

Abstract

本发明是关于交易风险监控方法及装置。该方法包括：实时监控用户的订单支付状态；在订单支付状态为支付成功时，采集用户的行为信息，并从预设平台中获取用户的信贷信息；根据行为信息和信贷信息预测用户的异常值；确定异常值是否大于预设阈值；在异常值大于预设阈值时，中断订单所对应的交易行为。该技术方案可以实现在交易过程中对欺诈用户的有效识别，可以维护正常交易环境，为商家和交易平台提供了良好保障。

Description

交易风险监控方法及装置

技术领域

本发明涉及电子商务技术领域，尤其涉及一种交易风险监控方法及装置。

背景技术

电子商务是以信息网络技术为手段，以商品交换为中心的商务活动，是传统商业活动各环节的电子化、网络化，以及信息化。通过电子商务消费者通过网络可以网上购物、网上支付节省了时间和空间，提高了交易效率。

在电子商务活动中，交易平台为交易双方或多方提供交易撮合及相关服务的信息网络装置总和，电子商务的形成与交易离不开交易平台。然而，现有技术中的交易平台缺乏交易风险监控功能。

发明内容

本发明实施例提供书写轨迹显示方法及装置。所述技术方案如下：

根据本发明实施例的第一方面，提供一种交易风险监控方法，包括：实时监控用户的订单支付状态；在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；根据所述行为信息和所述信贷信息预测所述用户的异常值；确定所述异常值是否大于预设阈值；在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

优选地，所述方法还包括：确定所述用户是否为享有借贷额度的用户；在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

优选地，所述在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息，包括：在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和在支付成功之前的第二预设时间内的行为信息；从预设平台中获取所述用户的信贷信息。

优选地，所述根据所述行为信息和所述信贷信息预测所述用户的异常值，包括：对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；将所述行为特征输入LSTM模型中，获得初始预测值；将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

优选地，所述行为信息包括消费信息、浏览信息、登录信息和修改信息中的至少一种。

根据本发明实施例的第二方面，提供一种交易风险监控装置，包括：监控模块，用于实时监控用户的订单支付状态；采集模块，用于在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；预测模块，用于根据所述行为信息和所述信贷信息预测所述用户的异常值；第一确定模块，用于确定所述异常值是否大于预设阈值；第一处理模块，用于在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

优选地，所述交易风险监控装置还包括：第二确定模块，用于确定所述用户是否为享有借贷额度的用户；第二处理模块，用于在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

优选地，所述采集模块包括：第一采集子模块，用于采集所述用户在支付成功后的第一预设时间内的行为信息和所述用户在支付成功之前的第二预设时间内的行为信息；第二采集子模块，用于从预设平台中获取所述用户的信贷信息。

优选地，所述预测模块包括：数据处理子模块，用于对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；第一预测子模块，用于将所述行为特征输入LSTM模型中，获得初始预测值；第二预测子模块，用于将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

根据本发明实施例的第三方面，提供一种交易风险监控装置，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器被配置为执行本发明实施例的第一方面所述方法中的步骤。

本发明的实施例提供的技术方案可以包括以下有益效果：通过实时监控用户的订单支付状态，在订单支付成功时采集用户的行为信息，并从预设平台中获取用户的信贷信息，根据获得的行为信息和信贷信息预测用户的异常值，当预测的用户异常值大于预设阈值时，中断订单所对应的交易，可以实现在交易过程中对欺诈用户的有效识别，并通过及时中断欺诈用户进行中的交易来维护正常交易环境，有利于构建良好交易环境，为商家和交易平台提供了良好保障。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的交易风险监控方法的流程图。

图2是根据一示例性实施例示出的交易风险监控方法的流程图。

图3是根据一示例性实施例示出的交易风险监控方法的流程图。

图4是根据一示例性实施例示出的交易风险监控装置的框图。

图5是根据一示例性实施例示出的交易风险监控装置的框图。

图6是根据一示例性实施例示出的交易风险监控装置的框图。

图7是根据一示例性实施例示出的交易风险监控装置的框图。

图8是根据一示例性实施例示出的交易风险监控装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种交易风险监控方法的流程图，如图1所示，该交易风险监控方法包括以下步骤101-105：

在步骤101中，实时监控用户的订单支付状态。

这里，该交易风险监控方法可以应用于如淘宝、微店等交易平台中。当用户登录交易平台进行购物时，平台根据用户的操作信息判断该用户是否对平台内的商品下单，当判断到该用户对商品下单时，实时监控该订单的支付状态，以判断该订单是否支付成功。

在步骤102中，在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息。

在步骤103中，根据所述行为信息和所述信贷信息预测所述用户的异常值。

这里，当判断到订单的支付状态为支付成功状态时，交易平台开始采集该用户的行为信息；示例的，行为信息可以是在此订单支付成功之后预设时间内的行为信息，例如，在此订单支付成功之后每24小时内的行为信息，或5个小时内的行为信息等，这里，可以在该预设时间内以预设频率进行行为信息的采集，例如，在此订单支付成功之后5个小时内，每间隔1小时进行一次行为信息的采集，本发明在此对预设时间段和预设频率不做具体的限制。

示例的，行为信息可以包括消费信息、浏览信息、修改信息和登录信息中的至少一种。对于消费信息和浏览信息，由于正常用户通常不会频繁浏览同一个页面，而对于进行恶意刷单、薅羊毛等欺诈操作的欺诈用户来说，则可能会存在频繁浏览同一页面信息等行为，所以，将用户的修改信息作为预测用户异常值的依据，可以实现对用户异常值的有效预测；以及，由于进行恶意刷单、盗刷信用卡等欺诈操作的欺诈用户可能会存在短时间内进行密集型消费或短时间内频繁购买同一物品等行为，所以，将用户的消费信息作为预测用户异常值的依据，可以实现对用户异常值的有效预测。另外，对于登录信息和修改信息，由于进行薅羊毛等欺诈操作的欺诈用户可能会存在频繁修改登录名、个人信息等用户操作，所以，将用户的修改信息作为预测用户异常值的依据，可以实现对用户异常值的有效预测；以及，由于进行、恶意刷单、盗刷信用卡、薅羊毛等欺诈操作的欺诈用户可能会存在频繁登录交易平台的行为，所以，将用户的登录名、登录设备的型号、登录时间等登录信息作为预测用户异常值的依据，可以实现对用户异常值的有效预测。示例的，行为信息可以同时包括用户在交易平台的消费信息、浏览信息、登录信息，以及修改信息，以使行为信息更全面，从而使预测出的用户异常值更准确性。

这里，预设平台可以是与交易平台关联的金融平台，例如，借贷平台、征信平台等；借贷信息包括借贷额度、历史还款信息、信用信息中的至少一种。由于用户在金融平台的信贷数据一定程度上代表用户的信用情况，而且金融平台通常记录有详细且准确的用户信用评分值等借贷信息，因此，通过从关联的金融平台中获得用户在该平台中的借贷信息，并将该借贷信息和该用户的行为信息共同作为预测该用户异常值的依据，可以增加预测数据的维度，进而有效提升用户预测值的准确度。

这里，在采集到行为信息和借贷信息后，可以采用one-hot编码、剪枝处理等数据处理方法对行为信息和信贷信息分别进行处理，以获得相应的行为特征和信贷特征。one-hot编码主要用于处理非连续变量，通过one-hot算法可以将采集的信息处理为数字性特征，以便于后续采用预测模型进行预测。剪枝是决策树算法对付过拟合的主要手段，因为决策树在划分过程中可能会为了分类正确，将具有某一些属性的样本强行划分到某一类中，而这些样本不应该属于这一类，只是在这个数据集中属于了这一类，不具有普遍的意义，这样就产生了过拟合，为了降低过拟合的风险可以主动去掉一些分支。这里，可以通过判断采集的信息是否为连续变量来判断是否对采集的信息进行one-hot编码；以及，可以通过判断数据的分布值范围来选择是否对采集的信息进行剪枝处理。这里，在数据处理完成之后，可以将获得的行为数据或信贷数据输入预测模型中以计算用户的异常值，其中，预测模型可以采用GBDT(Gradient Boosting Decision Tree)模型或XGBoost(eXtreme GradientBoosting)模型。

在步骤104中，确定所述异常值是否大于预设阈值。

在步骤105中，在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

这里，在获得预测的用户异常值后，可以通过预设阈值判别用户是否为正常用户或欺诈用户；示例的，预设阈值可以为0.5，例如，当预测到的用户异常值为0.8时，由于0.8大于0.5，因此可以确定此用户为欺诈用户，此时，交易平台中断该用户的当前订单所对应的交易，以进行风险防范。这里，可以采用多种方式中断该订单所对应的交易，例如，当根据异常值确定该用户为欺诈用户时，可以在该用户可见的用户页面上显示对应的提示信息，以告知该用户将结束此订单所对应的交易、结束原因以及相关信息等，同时向该订单中的商家发送包含交易结束原因的通知信息等，以此方式中断欺诈用户进行中的交易；也可以向此订单中的商家发送交易中断信息，以使该商家取消与该欺诈用户进行中的交易，本发明在此对中断交易行为的方法不做具体限制，只要可以实现终止该商家与该欺诈用户之间进行中的交易即可。

这里，当用户为进行恶意刷单用户时，可能会出现在订单支付之后要求退货的情况，而如此则可能对针对该订单正在备货或已经备货的商家造成一定的经济损失；以及，当用户为进行薅羊毛操作的用户时，则可能会造成交易平台的资金损失，所以，确定用户是否为欺诈用户，并在用户为欺诈用户时及时中断欺诈用户进行中的交易，不仅可以维护正常交易环境，还可以减少商家与交易平台的损失，为商家和交易平台提供了良好保障。

本实施例中通过实时监控用户的订单支付状态，在订单支付成功时采集用户的行为信息，并从预设平台中获取用户的信贷信息，根据获得的行为信息和信贷信息预测用户的异常值，当预测的用户异常值大于预设阈值时，中断订单所对应的交易，可以实现在交易过程中对欺诈用户的有效识别，并通过及时中断欺诈用户进行中的交易来维护正常交易环境，有利于构建良好交易环境，为商家和交易平台提供了良好保障。

在一种可能的实施方式中，图2是根据一示例性实施例示出的一种交易风险监控方法的流程图，如图2所示，上述交易风险监控方法还可以包括以下步骤206-207。

在步骤206中，确定所述用户是否为享有借贷额度的用户。

这里，步骤206可以在步骤204之后执行，也可以与步骤204同时执行，还可以在步骤205之后执行，本发明对此不做具体限定。这里，享有借贷额度的用户是指在交易平台中拥有借贷额度的用户，可以通过用户在交易平台的用户信息确定，例如，当交易平台为微店平台时，可以根据用户登录微店平台时所使用的用户名获取用户的详细信息，在详细信息中查看该用户是否拥有借贷额度，以及借贷额度的数值。

在步骤207中，在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

这里，当识别到用户为欺诈用户时确定该用户是否为享有借贷额度的用户，并在确定该欺诈用户享有借贷额度时，将该借贷额度降为预设额度可以对欺诈用户起到一定的惩罚作用，同时，也可以在一定程度上降低交易平台的资金损失风险。这里，预设额度可以为借贷金额的预设百分比，如降低至原有借贷额度的30％，也可以为具体额度值，如500或300人民币等。借贷额度调整后的有效时间可以是预设时间内有效，如三个月内有效或一年之内有效等，也可以是永久性有效，本发明对此不做具体限定。

示例的，在确定所述用户为享有借贷额度的用户之后，还确定所述订单是否采用所述借贷额度中的资金支付；在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度则包括：在所述异常值大于所述预设阈值，且所述订单采用所述借贷额度中的资金支付时，取消所述用户的借贷资格。这里，交易平台可以通过该欺诈用户在支付该订单时所选择的支付方式，来确定所述订单是否采用所述借贷额度中的资金支付，例如，以交易平台“唯品会”为例，可以通过判断该欺诈用户在支付该订单时所采用的支付方式是否为“唯品花”，来确定所述订单是否采用所述借贷额度中的资金支付。

本实施例中，当识别到用户为欺诈用户时，中断所述订单所对应的交易行为，确定该用户是否为享有借贷额度的用户，并在确定该欺诈用户享有借贷额度时，将该借贷额度降为预设额度，可以对欺诈用户起到一定的警示作用；并且，在确定该欺诈用户享有借贷额度，且所述订单采用所述借贷额度中的资金支付时，中断所述订单所对应的交易行为，并取消所述用户的借贷资格，可以降低交易平台的资金损失风险。

在一种可能的实施方式中，所述步骤102可以包括步骤1021-1022。

在步骤1021中，在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和所述用户在支付成功之前的第二预设时间内的行为信息。

在步骤1022中，从预设平台中获取所述用户的信贷信息。

这里，将订单支付之前的操作信息与订单支付之后的操作信息共同作为用户的行为信息以进行后续的用户异常值的预测，可以提高行为信息的时间覆盖面，进而增加预测值的准确性。这里，步骤1022可以与步骤1021同时执行，也可以在步骤1021之后执行，本发明对此不做具体限制。

本实施例中，将订单支付之前的操作信息与订单支付之后的操作信息共同作为用户的行为信息，可以提高行为信息的时间覆盖面，进而增加用户异常值预测时的准确性。

在一种可能的实施方式中，所述步骤103可以包括步骤1031-1033。

在步骤1031中，对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征。

在步骤1032中，将所述行为特征输入LSTM模型中，获得初始预测值。

在步骤1033中，将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

这里，由于行为特征与时间序列高度相关，而LSTM模型在涉及自相关性的序列预测方面表现优异，所以，在使用XGBoost模型进行预测之前，先将行为特征输入LSTM模型中获得行为数据的预测值，再将获得的预测值和借贷特征输入预测模型进行最终预测可以使预测结果更准确，从而进一步降低出错率。这里，由于XGBoost模型简单、能够降低过拟合，计算效率高，因此，采用XGBoost模型能更高效、准确地进行用户异常值的预测。

这里，为保证初始预测结果的准确性，在使用LSTM模型之前需要对LSTM模型进行训练，训练方法如下：(1)分别采集已有的正常用户和欺诈用户在交易平台中的行为信息，并为正常用户和欺诈用户分别设置标签，例如可将正常用户设为0，欺诈用户设为1；(2)对采集的信息分别进行数据处理；(3)将处理后的数据输入LSTM模型中进行异常值预测；(4)根据用户的标签值，以及获得的预测值与一判断阈值的大小关系，验证获得的预测值是否正确，根据验证结果对LSTM模型进行参数调整；之后，重复上述(3)-(4)，直至LSTM模型的预测准确性达到预定值。这里，XGBoos模型的训练方法与LSTM模型的训练方法相同，不同之处在于，对XGBoos模型进行训练之前，需要采集的数据为正常用户在预设平台中的借贷信息和LSTM模型对该正常用户的行为数据的预测值，以及，欺诈用户在预设平台中的借贷信息和LSTM模型对该欺诈用户的行为数据的预测值。

本实施例中，对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征，将所述行为特征输入LSTM模型中，获得初始预测值，将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值，可以更高效、准确地进行用户异常值的预测，实现用户异常值的精确预测。

下面通过实施例详细介绍实现过程。

图3是根据一示例性实施例示出的一种交易风险监控方法的流程图。该方法可以由装置等设备实现，该交易风险监控方法包括步骤301-309。

在步骤301中，实时监控用户的订单支付状态。

在步骤302中，在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和在支付成功之前的第二预设时间内的行为信息；从预设平台中获取所述用户的信贷信息。

在步骤303中，对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；

在步骤304中，将所述行为特征输入LSTM模型中，获得初始预测值。

在步骤305中，将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

在步骤306中，确定所述异常值是否大于预设阈值。

在步骤307中，在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

在步骤308中，确定所述用户是否为享有借贷额度的用户。

在步骤309中，在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

下述为本发明提供的装置实施例，可以用于执行本发明中上述方法实施例。

图4是根据一示例性实施例示出的一种交易风险监控装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该交易风险监控装置包括：

监控模块401，用于实时监控用户的订单支付状态；采集模块402，用于在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；预测模块403，用于根据所述行为信息和所述信贷信息预测所述用户的异常值；第一确定模块404，用于确定所述异常值是否大于预设阈值；第一处理模块404，用于在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

作为一种可能的实施例，图5是根据一示例性实施例示出的一种交易风险监控装置的框图。如图5所示，上述发明的交易风险监控装置还可以被配置成包括第二确定模块406和第二处理模块407，其中：

第二确定模块406，用于确定所述用户是否为享有借贷额度的用户；第二处理模块407，用于在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

作为一种可能的实施例，图6是根据一示例性实施例示出的一种交易风险监控装置的框图。如图6所示，所述采集模块402还可以被配置成包括第一采集子模块4021和第二采集子模块4022，其中：

第一采集子模块4021，用于采集所述用户在支付成功后的第一预设时间内的行为信息和所述用户在支付成功之前的第二预设时间内的行为信息；第二采集子模块4022，用于从预设平台中获取所述用户的信贷信息。

作为一种可能的实施例，图7是根据一示例性实施例示出的一种交易风险监控装置的框图。如图7所示，所述预测模块403还可以被配置成包括数据处理子模块4031、第一预测子模块4032和第二预测子模块4033，其中：

数据处理子模块4031，用于对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；第一预测子模块4032，用于将所述行为特征输入LSTM模型中，获得初始预测值；第二预测子模块4033，用于将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

关于上述实施例中的装置，其中多个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

下述为本发明提供的装置实施例，可以用于执行本发明中上述方法实施例。

图8是根据一示例性实施例示出的一种交易风险监控装置的框图，该装置适用于终端设备。例如，装置800可以是移动电话，计算机，数字广播装置，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理装置，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜装置或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供多个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理装置的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由装置800的处理器执行时实现以下步骤：实时监控用户的订单支付状态；在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；根据所述行为信息和所述信贷信息预测所述用户的异常值；确定所述异常值是否大于预设阈值；在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：确定所述用户是否为享有借贷额度的用户；在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和在支付成功之前的第二预设时间内的行为信息；从预设平台中获取所述用户的信贷信息。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；将所述行为特征输入LSTM模型中，获得初始预测值；将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

本实施例还提供了一种交易风险监控装置，包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为：实时监控用户的订单支付状态；在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；根据所述行为信息和所述信贷信息预测所述用户的异常值；确定所述异常值是否大于预设阈值；在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

在一个实施例中，处理器还可以被配置为：确定所述用户是否为享有借贷额度的用户；在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

在一个实施例中，处理器还可以被配置为：在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和在支付成功之前的第二预设时间内的行为信息；从预设平台中获取所述用户的信贷信息。

在一个实施例中，处理器还可以被配置为：对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；将所述行为特征输入LSTM模型中，获得初始预测值；将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种交易风险监控方法，其特征在于，包括：

实时监控用户的订单支付状态；

在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；

根据所述行为信息和所述信贷信息预测所述用户的异常值；

确定所述异常值是否大于预设阈值；

在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

2.根据权利要求1所述的交易风险监控方法，其特征在于，所述方法还包括：

确定所述用户是否为享有借贷额度的用户；

在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

3.根据权利要求1所述的交易风险监控方法，其特征在于，所述在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息，包括：

在所述订单支付状态为支付成功时，采集所述用户在支付成功后的第一预设时间内的行为信息和在支付成功之前的第二预设时间内的行为信息；

从预设平台中获取所述用户的信贷信息。

4.根据权利要求1所述的交易风险监控方法，其特征在于，所述根据所述行为信息和所述信贷信息预测所述用户的异常值，包括：

对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；

将所述行为特征输入LSTM模型中，获得初始预测值；

将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

5.根据权利要求1所述的交易风险监控方法，其特征在于，所述行为信息包括消费信息、浏览信息、登录信息和修改信息中的至少一种。

6.一种交易风险监控装置，其特征在于，包括：

监控模块，用于实时监控用户的订单支付状态；

采集模块，用于在所述订单支付状态为支付成功时，采集所述用户的行为信息，并从预设平台中获取所述用户的信贷信息；

预测模块，用于根据所述行为信息和所述信贷信息预测所述用户的异常值；

第一确定模块，用于确定所述异常值是否大于预设阈值；

第一处理模块，用于在所述异常值大于所述预设阈值时，中断所述订单所对应的交易行为。

7.根据权利要求6所述的交易风险监控装置，其特征在于，还包括：

第二确定模块，用于确定所述用户是否为享有借贷额度的用户；

第二处理模块，用于在所述异常值大于所述预设阈值，且所述用户为享有借贷额度的用户时，将所述用户的借贷额度降为预设额度。

8.根据权利要求6所述的交易风险监控装置，其特征在于，所述采集模块包括：

第一采集子模块，用于采集所述用户在支付成功后的第一预设时间内的行为信息和所述用户在支付成功之前的第二预设时间内的行为信息；

第二采集子模块，用于从预设平台中获取所述用户的信贷信息。

9.根据权利要求6所述的交易风险监控装置，其特征在于，所述预测模块包括：

数据处理子模块，用于对所述行为信息和所述信贷信息分别进行数据处理，获得行为特征和信贷特征；

第一预测子模块，用于将所述行为特征输入LSTM模型中，获得初始预测值；

第二预测子模块，用于将所述初始预测值和所述信贷特征输入XGBoost模型中，获得所述异常值。

10.一种交易风险监控装置，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为执行权利要求1至5任一项所述方法中的步骤。