CN110245959A - 针对性请求的处理方法和装置 - Google Patents

Abstract

本说明书实施例提供针对性请求的处理方法和装置，在针对性请求的处理过程中，对发起针对性请求的第一业务方和所针对的第二业务方首先根据用户信息进行用户风险性的评估，充分利用用户的各种数据，从而对结合用户的风险性，来估计针对性请求的风险性，并据此确定处理决策。该实施方式把各种相关信息都充分利用起来，对错综复杂的数据进行梳理整合并利用于当前针对性请求，进行智能化的处理决策，可以提高处理针对性请求的有效性。

Description

针对性请求的处理方法和装置

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及针对一个应用，通过计算机对针对性请求进行处理的方法和装置。

背景技术

日常生活中，许多业务可以通过一些平台等进行，例如购物业务可以通过商场或基于网络组建的购物平台进行。在涉及多个业务方的业务进行过程中，由于业务进行中可能出现的各种情况无法预先知晓，各个业务方事先无法针对各种问题进行体验或商谈。这样，在多个业务方约定的正常业务中，可能出现一些针对性事件，例如，一些业务方对于另一些业务方提出针对性意见。举例而言，在网络购物平台，商户与消费者双方达成交易意向的前提下，用户已支付完成相应的商品/服务费用，在商户提供商品/服务时，引发的商品/服务质量问题、发货时效过长(甚至不发货)、收到的商品已损坏、售后处理不当等等问题而引发的消费者对商户的投诉。通常，在业务方提出针对性意见时，还可能提出对所针对的业务方的诉求。例如，消费者投诉商户时可能还会提出希望进行退款或是让商户继续提供商品/服务保障。

常规技术中，对于以上针对性意见，通常经过平台进行人工处理，效率较低。如果发出针对性意见的一方恶意提出针对性意见，还会浪费人力、物理。因此，需要利用更多的网络数据，提供初步的处理策略，提高针对性事件处理的有效性。

发明内容

本说明书一个或多个实施例描述的针对性请求的处理方法和装置，可以用于解决背景技术部分提到的一个或多个问题。

根据第一方面，提供了一种针对性请求的处理方法，所述方法包括：获取第一业务方针对第二业务方发起的针对性请求，其中，所述第二业务方是所述第一业务方的相对业务方；获取所述第一业务方的用户信息，并利用预先训练的第一预测模型处理所述第一业务方的用户信息，从而根据所述第一预测模型的输出结果确定所述第一业务方的第一风险特征；获取所述第二业务方的用户信息，并利用预先训练的第二预测模型处理所述第二业务方的用户信息，从而根据所述第二预测模型的输出结果确定所述第二业务方的第二风险特征；至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

在一个实施例中，所述第一业务方的用户信息包括以下中的一项或多项：业务行为数据、历史纠纷数据、第一账户数据、用户质量数据。

在一个实施例中，所述第一预测模型通过以下方式训练：获取与多个第一业务方分别对应的各个第一训练样本，其中，各个第一训练样本分别对应各个第一业务方的用户信息以及针对各个第一业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；将各个第一训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第一预测模型。

在一个实施例中，所述第二业务方的用户信息包括以下中的一项或多项：业务能力数据、用户安全数据、用户质量数据。

在一个实施例中，所述第二预测模型通过以下方式训练：获取与多个第二业务方分别对应的各个第二训练样本，其中，各个第二训练样本分别对应各个第二业务方的用户信息以及针对各个第二业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；将各个第二训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第二预测模型。

在一个实施例中，所述基于所述第一风险特征、第二风险特征，为所述针对性请求确定处理策略包括：获取所述第一业务方的第一针对特征以及所述第二业务方的第二针对特征，其中，所述第一针对特征通过对所述第一业务方在第一预定时间段内发起的针对性请求进行语义分析而确定，所述第二针对特征通过对在第二预定时间段内针对所述第二业务方的针对性请求进行语义分析而确定；基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略。

在一个实施例中，所述第一针对特征包括所述第一业务方的至少一个针对事项类别，所述第二针对特征包括所述第二业务方的至少一个被针对事项类别。

在一个实施例中，所述基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略包括：从所述针对性请求中提取当前针对事项；确定所述当前针对事项分别与所述第一针对特征、所述第二针对特征的关联关系；基于所确定的当前针对事项与所述第一针对特征、所述第二针对特征的关联关系，以及所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

在一个实施例中，所述基于所述当前针对事项与所述第一用户特征、所述第二用户特征的关联关系，以及所述第一用户特征、所述第二用户特征，为所述针对性请求确定处理策略包括：在所述第一风险特征不满足第一风险条件，且所述当前针对事项与所述第一针对特征相关联的情况下，确定所述处理策略为，向所述第一业务方发送提供证据的通知；在所述第一风险特征不满足第一风险条件的情况下，如果所述第二风险特征满足第二风险条件，或者所述当前针对事项与所述第二针对特征相关联，确定所述处理策略为，按照所述针对请求向所述第二业务方发送处理通知，或者，按照所述针对性请求对所述第二业务方做出相应处理。

在一个实施例中，所述基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略包括：将所述第一风险特征、第二风险特征、第一针对特征、第二针对特征、所述针对性请求中的针对事项，输入第三预测模型，从而根据所述第三预测模型的输出结果确定所述针对性请求的风险系数；基于所述风险系数为所述针对性请求确定处理策略。

在一个实施例中，所述至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略包括以下至少一项：在所述第一风险特征满足第一风险条件确定所述处理策略包括，拦截所述针对性请求；在所述第二风险特征满足第二风险条件的情况下，确定所述处理策略包括，按照所述针对性请求对所述第二业务方做出相应处理；在所述第一风险特征满足第一风险条件，同时所述第二风险特征满足第二风险条件的情况下，确定所述针对性请求为异常请求。

在一个实施例中，所述方法还包括：根据所述处理策略分别更新所述第一业务方的用户信息、所述第二业务方的用户信息。

根据第二方面，提供一种针对性请求的处理装置，所述装置包括：获取单元，配置为获取第一业务方针对第二业务方发起的针对性请求，其中，所述第二业务方是所述第一业务方的相对业务方；第一分析单元，配置为获取所述第一业务方的用户信息，并利用预先训练的第一预测模型处理所述第一业务方的用户信息，从而根据所述第一预测模型的输出结果确定所述第一业务方的第一风险特征；第二分析单元，配置为获取所述第二业务方的用户信息，并利用预先训练的第二预测模型处理所述第二业务方的用户信息，从而根据所述第二预测模型的输出结果确定所述第二业务方的第二风险特征；决策单元，配置为至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述第一方面的方法。

通过本说明书实施例提供的针对性事件的处理方法和装置，在针对性请求的处理过程中，对发起针对性请求的第一业务方和所针对的第二业务方首先根据用户信息进行用户风险性的评估，充分利用用户的各种数据，从而对结合用户的风险性，来估计针对性请求的风险性，并据此确定处理决策。该方法可以将错综复杂的各种用户信息进行梳理，沉淀出用户的风险层级，然后结合到具体的针对性请求事件中，综合制定处理决策，从而提高处理针对性请求的有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出本说明书实施例的实施架构示意图；

图2示出根据一个实施例的针对性请求的处理的方法流程图；

图3示出根据一个具体例子的第一预测模型或第二预测模型的神经网络架构示意图；

图4示出根据一个具体例子的为针对性请求确定处理决策过程中信息整合示意图；

图5示出根据一个实施例的针对性请求的处理的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。为了便于说明，结合图1示出的本说明书实施例的一个适用架构进行说明。

在图1示出的架构中，包括服务平台以及多个终端。其中，这里的终端可以是智能手机、笔记本电脑、台式计算机等等，其上可以安装并运行各种终端应用，例如购物类应用、资讯类应用等。终端和服务器之间通过网络连接。服务平台可以为终端上运行的至少一类应用提供服务。

其中的多个终端可以分为两类，分别对应通过服务平台按照相对关系进行关联的第一业务方和第二业务方。举例而言，服务平台是网络购物平台(如××商城)等，第一业务方是消费者，对应的终端上运行有消费者对应的客户端，第二业务方是商户，对应的终端上运行有商家服务端。在通过服务平台的交互(例如一次购买行为，或者一次售后申请行为)中，第一业务方(消费者)和第二业务方(商户)构成相对关系，或者称其中一个业务方是另一个业务方的相对业务方。

图1示出的服务平台作为为终端应用提供服务的平台，构成相对关系的用户之间的交互可以通过服务平台实现。第一业务方和第二业务方产生相对关系后，还可能出现各种问题。在面对各种问题时，一方用户(如第一业务方)可以针对另一方用户向服务平台或监管平台提交意见或诉求。例如，在购物完成后，第一业务方即消费者因为商品存在质量问题，或服务效果达不到预期，针对第二业务方即商户提交投诉请求。在本说明书中，将这种一方用户针对另一方用户向服务平台提交意见或诉求的请求称为针对性请求。

对于这样的针对性请求，常规技术中，往往通过人工进行处理决策。以一个业务方对另一个业务方进行的投诉请求为例，处理决策例如可以是：投诉信息填写不合格或发起投诉的用户不合格(黑名单用户)，驳回请求；将投诉请求发送给被投诉的用户确认；基于投诉内容对被投诉的用户给予相应处罚；通知提起投诉的业务方提交证据；等等。

人工进行处理决策过程中，可以在服务平台进行处理决策，也可以以第三用户的身份登录服务平台的另一客户端进行决策。在人工处理决策的过程中，可能存在下面的问题：

一方面，仅仅通过单次请求事件去确定处理策略，不能对用户的习惯进行把握，因此不能针对不同的用户给出不同的策略。例如，一个习惯投诉各种商户的消费者，其投诉意见可信度较低，一个从不投诉的消费者，其投诉意见可信度较高。然而，人工处理决策过程中通常难以将消费者的历史行为关联在一起。

另一方面，在单次请求事件中，可能需要两方用户中的至少一方提供证据，多次沟通，因此，人工处理过程中对针对性事件的判断可能还和进行决策的人工经验、作息时间等有关，时效上不能保证。

总之，在人工决策过程中，可能无法充分利用各种用户数据进行个性化的处理决策，也可能消耗不必要的人力，时效无法保证，影响对针对性事件处理的有效性。

为了解决以上一种或多种问题，本说明书实施例提供一种针对性事件的处理方案。下面具体描述相关技术方案的实现过程。

图2示出一个实施例的针对性事件的处理过程。图2示出的针对性事件的处理方法适用于为涉及多个业务方客户端的应用提供支持的服务端，或者对多个业务方的业务进行监管的监管平台，如图1所示的服务平台。当多个业务方中的一个业务方针对该业务方的相对业务方发起针对性请求时，上述服务端或监管平台可以执行图2示出的流程。

值得说明的是，本说明书中通过第一业务方和第二业务方表示相对业务方。其中的“第一”、“第二”用于区分两个业务方的不同作用，并不对具体业务方进行限定。可以理解，在业务进行中，一个业务方往往需要对应另一个业务方相对进行。例如，用户办理缴费业务，相对业务方可能是银行、水费管理部门、电费管理部门、电信运营商等等。在更多场景中，构成相对业务方的第一业务方和第二业务方也各有区别，例如购物场景中，相对业务方还可以是购物业务中的买方(消费者)和卖方(商户)，物品寄送场景中的委托方和承运方，等等。一个业务中的第一业务方，在其他业务中也可能是第二业务方。在本说明书中，针对一个业务场景，第一业务方可以用于表示业务中确定的某一方，例如消费者，第二业务方表示该业务中的另一方，例如商家。在该业务场景中，还可以由多个具体的业务，当具体到某个业务时，第一业务方和第二业务方可以对应到具体用户，例如消费者张三和商家李四。图2示出的流程可以理解为是针对某个具体业务时产生的流程。换言之，图2示出的流程中，第一业务方和第二业务方可以对应到具体用户。

该针对性请求的处理方法具体可以包括以下步骤：步骤202，获取第一业务方针对第二业务方发起的针对性请求，其中，第二业务方是第一业务方的相对业务方；步骤204，获取第一业务方的用户信息，并利用预先训练的第一预测模型处理第一业务方的用户信息，从而根据第一预测模型的输出结果确定第一业务方的第一风险特征；步骤206，获取第二业务方的用户信息，并利用预先训练的第二预测模型处理第二业务方的用户信息，从而根据第二预测模型的输出结果确定第二业务方的第二风险特征；步骤208，至少基于第一风险特征、第二风险特征，为针对性请求确定处理策略。

首先，在步骤202中，获取第一业务方针对第二业务方发起的针对性请求。可以理解，当第一业务方对第二业务方提出意见、请求时，往往向服务端提交相关请求。一个针对性请求可以包括至少一个针对事项。针对事项是对业务方的意见、诉求进行描述的数据项。例如，消费者(第一业务方)针对商户(第二业务方)在商户提供商品/服务时，引发的商品/服务质量问题、发货时效问题(如发货晚或不发货)、商品运输质量问题(如已损坏)、售后处理问题(如处理不当)等等。

步骤204，获取第一业务方的用户信息，并利用预先训练的第一预测模型处理第一业务方的用户信息，从而根据第一预测模型的输出结果确定第一业务方的第一风险特征。可以理解，一个具体的第一业务方可以对应于在服务端注册的具体用户。用户在服务端注册及在网络平台活动过程中，会产生各种信息。第一业务方的用户信息可以是用于描述第一业务方的信息。

在一个实施例中，第一业务方的用户信息可以包括第一用户的业务行为数据。顾名思义，业务行为数据可以用于描述第一业务方在业务中的行为特点。例如业务方向、业务频次、业务地点、业务时间、业务设备、处理偏好等等中的一项或多项。以网上商城的交易业务为例，业务方向例如是购买类目，业务频次例如是购物频次，业务地点例如是收货地点，或者交易所用设备的所在地点，业务时间例如是下单时间，业务设备例如是下单时所使用设备的设备标识(如移动设备身份识别码IMEI)，处理偏好例如包括退换货偏好、对商户的评价偏好等等。

在另一个实施例中，第一业务方的用户信息也可以包括第一业务方的历史纠纷数据。历史纠纷数据可以是第一业务方历史发起针对性请求的频次、历史发起针对性请求的处理结果等。以购物业务为例，发起针对性请求的频次例如是第一业务方的历史投诉量/率，其中，历史投诉率可以是第一业务方的历史投诉量与总的历史交易次数的比率。历史发起针对性请求的处理结果例如包括历史赔付量/率，其中，历史量赔付率可以是历史赔付量与历史投诉量的比值。可以理解，如果一个业务方经常发起针对性请求，则该业务方可能本身比较挑剔，也可能是某些违规职业的从事者(如网购业务中的差评师等)，此时该业务方本身发起针对性请求的风险度较高。可选地，上述历史纠纷数据还可以按照业务的具体类别进行区分。例如，按照商品类型进行区分。如果一个用户仅仅对某一类业务(如化妆品)的历史纠纷数据记录较多，则该用户可能仅对该类业务比较挑剔，或者是进行恶意竞争的该类业务经营者，等等。

在又一个实施例中，第一业务方的用户信息还可以包括第一账户信息。其中，第一账户信息可以包括第一业务方的账户基本信息，例如向服务端登记的性别、职业、年龄等等信息。第一账户信息还可以包括账户质量信息，该账户质量信息可以用于评估账户的风险度，例如账户是否存在盗用、冒用等风险，例如账户在业务前是否进行诸如改密、换绑等风险行为。可以理解，如果账户发生改密、换绑等风险行为，则交易本身可能是异常交易，例如有人非法使用他人账户进行交易，通过诸如给经营同类别商品的商户制造麻烦(如投诉、请求赔付)等来进行不正当竞争，等等。

在再一个实施例中，第一业务方的用户信息还可以包括用户质量数据。该用户质量数据可以用于评估业务方的用户品质。例如，服务平台可以预先存储有黑名单，该黑名单上可以是服务平台根据历史数据筛选出的黑名单用户，如差评师(专门给商户差评的用户)、信用较低的用户、相关管理部门(如法院、公安、税务)等公布的在经济/信用出现预定违法/违规行为的用户，等等。可以理解，上述黑名单用户可能是失信用户、经济犯罪用户、违规用户、专职诋毁他人的用户，这种类型用户可能发起针对性请求(如投诉商户)的风险性较高或在针对性请求中体现的目的不够真实，因此，相应地，其发起的针对性请求中的针对事项的可信度较低。

在具体实现中，第一业务方的用户信息包括以上的一项或多项，也可以包括其他未列出的数据项，在此不再一一赘述。

在获取上述第一业务方的用户信息后，可以利用预先训练的第一预测模型对第一业务方的用户信息进行分析，从而确定第一业务方对应的第一风险特征。其中，第一预测模型用于利用第一业务方的用户数据对第一业务方进行综合测评，以预测其风险性。该第一风险特征可以通过一个风险参数来描述，通过风险参数的不同取值，标识第一业务方的风险性。

该第一预测模型可以是神经网络等分类模型。下面描述该第一预测模型的训练过程。获取与多个第一业务方分别对应的各个训练样本，每个训练样本对应一个第一业务方的用户信息以及预先标注的用户标签。其中，用户标签可以是风险用户、非风险用户，或者优质用户、劣质用户。以第一业务方为消费者，用户标签为风险用户、非风险用户，业务场景为网上商城的交易场景为例，对于发起投诉请求(针对性请求)较少，且投诉的成功率较高(如100％)的用户，可以标注“非风险用户”标签，对于发起投诉较多，和/或投诉成功率较低的用户，可以标注为“风险用户”，其可能存在虚假投诉行为。其中，投诉成功率可以通过投诉被接受频次、投诉与实际情况相符程度等来衡量。另外，对于黑名单用户，可以直接标注“风险用户”标签。在模型训练过程中，用户标签可以用数值代替。例如“风险用户”对应“1”，“非风险用户”对应“0”等。

进一步地，可以将各个训练样本对应的用户信息输入选定的神经网络(如决策树等)，并利用对应的用户标签调整模型参数，并在模型对应的损失函数中对模型参数求梯度，以向梯度的反方向调整模型参数的值，使得损失函数的值减小，从而训练第一预测模型。

其中，第一预测模型的输出结果可以是与用户标签对应的两个数值，也可以是在与用户标签对应的两个数值之间取值的其他数值，例如0.1、0.2……该输出结果可以对应第一风险特征。当第一预测模型的输出结果在与用户标签对应的两个数值之间取值时，该输出结果例如是对第一业务方的评分，或者对应某个用户标签的概率的风险参数，该输出结果可以直接作为第一风险特征。例如，在一个实施例中，第一预测模型的训练过程中，“非风险用户”对应“1”，“风险用户”对应“0”等，则第一预测模型的输出结果(评分或风险参数)数值越高，说明第一业务方的风险性越低，发起的针对性事件的可信度越高。

以神经网络为例，第一预测模型可以采用如图3所示的模型架构。第一业务方的用户信息被整理提取成神经网络的各个特征输入第一预测模型，得到第一业务方对应的第一风险特征。其中，从第一业务方的用户信息提取到的各个特征例如是，年龄特征、性别特征、历史纠纷频次特征、黑名单特征、风险行为特征等等。这些特征可以通过对应的数值表示，例如性别特征“1”表示男性，“0”表示女性。

在一些可选的实施例中，第一预测模型还可以针对第一业务方在不同类目上的风险性进行评估。此时，第一预测模型可以理解为一个多任务模型，每个类目对应一个任务。此时的用户标签可以是向量形式，向量中的每个元素，对应相应类目上的用户标签。例如，[1，1，0，0，1]，表示该用户在第一类目(如服装)、第二类目(如家纺)和第五类目(如窗帘)等类目上属于风险用户。其中模型训练过程与前述模型训练过程类似，在此不再赘述。相应地，此时第一预测模型的输出结果也可以是向量。向量中各个元素对应第一业务方在相应类目的风险特征，该风险特征可以是在对应类目上的评价结果、评分或风险概率。此时，第一风险特征为向量，或包括多个参数。

通过该步骤204，可以对第一业务方进行风险性初步评估。另一方面，还可以对第二业务方进行风险性初步评估。在步骤206中，获取第二业务方的用户信息，并利用预先训练的第二预测模型处理第二业务方的用户信息，从而根据第二预测模型的输出结果确定第二业务方的第二风险特征。

在一个实施例中，第二业务方的用户信息可以包括第二业务方的业务能力数据。该业务能力数据用于描述第二业务方的业务能力，例如可以是业务类别、行业排名、相对业务方复购率等等。其中，以第二业务方为商户为例，业务类别例如是经营范围、类目，相对业务方可以是消费者。其中，业务类别、行业排名可以从工商注册信息、行业网站等处获取。可以理解，相对业务方复购率较高的第二业务方，其业务能力也较强，例如，商品质量较好、服务较好。

在另一个实施例中，第二业务方的用户信息还可以包括第二业务方的用户安全数据。用户安全数据是可以直接评估第二业务方的风险性的数据。以第二业务方是商户为例，用户安全数据可以包括商户进行的业务是否涉及欺诈、黄赌毒等违法业务，套现、作弊等违规业务，商户被投诉的投诉率(投诉量与业务量的比值)，风险交易占比(风险交易与交易量的比值)，等等。另外，用户安全数据还可以包括数据隐秘性、系统安全防护等级等等。数据隐秘性(如采用加密)越大、系统安全防护等级(如加密层数、加密算法复杂度等)越高，用户安全性越高，则风险性越低。

在又一个实施例中，第二业务方的用户信息还可以包括第二业务方的用户质量数据。用户质量数据可以用于对第二业务方的用户质量进行评估，例如可以包括账户质量信息、业务质量信息、相对业务方质量信息、流水质量信息、相对业务方反馈信息等等。其中，账户质量信息用来评估账户状态是否正常，如是否存在盗用、冒用风险(如登陆地点或设备异常)，是否存在改密、换绑等异常行为等等信息。在第二业务方是商户的情况下，账户质量信息还可以通过经营类目的风险性(如经营成本越高的类目风险越大)、商户累计经营规模、商户累计经营时长、商户经营流水稳定性等进行评估。业务质量信息用于对第二业务方的业务内容进行评估，例如业务内容包括暴力、政治攻击、恐怖事件、黄赌毒等，表示业务质量较低。在第二业务方是商户的情况下，商户使用违规违禁关键词等等，也会拉低商户质量。可以理解，如果一个业务方吸引的都是质量较差的相对业务方，那么这个业务方的质量可能也比较差，因此，相对业务方质量可以用于评价当前业务方质量的参考。流水质量包含了流水记录等信息，也可以作为评价业务方质量的参考。相对业务方反馈信息可以包括相对业务方对当前业务方反馈的信息，以商户为例，相对业务方评价反馈数据可以包括消费者的评价量/率、退款率、差评率，等等。相对业务方的反馈较正面，说明当前业务方的用户质量较高。

在具体实现中，第二业务方的用户信息可以包括以上的一项或多项，也可以包括其他未列出的数据项，在此不再一一赘述。

在获取上述第二业务方的用户信息后，可以利用预先训练的第二预测模型对第二业务方的用户信息进行分析，以确定第二业务方对应的第二风险特征。其中，第二预测模型用于利用第二业务方的用户信息对第二业务方进行综合测评，以确定其风险性。第二风险特征也可以通过风险参数来描述，风险参数的具体数值对应第二业务方的风险性。

与第一预测模型类似，该第二预测模型也可以是神经网络等分类模型。下面描述该第二预测模型的训练过程。获取与多个第二业务方分别对应的各个训练样本，每个训练样本对应一个第二业务方的用户信息以及预先标注的用户标签。其中，用户标签例如可以是风险用户、非风险用户等。以业务场景为网上商城的交易场景为例，对于收到投诉(针对性事件)较少，且投诉的成功率较低(可能不是商户的问题)的用户，可以标注“非风险用户”标签，对于收到投诉较多，和/或投诉成功率较高(可能商户存在问题)的用户，可以标注为“风险用户”。在模型训练过程中，用户标签可以用数值代替。例如“非风险用户”对应“1”，“风险用户”对应“0”等。

进一步地，可以将各个训练样本对应的用户信息输入选定的模型(如决策树等)，并利用对应的用户标签调整模型参数，在模型对应的损失函数中对模型参数求梯度，以向梯度的反方向调整模型参数的值，使得损失函数的值减小，从而训练得到第二预测模型。

其中，第二预测模型的输出结果可以是与用户标签对应的两个数值，也可以是在与用户标签对应的两个数值之间取值的其他数值，例如0.1、0.2……该输出结果可以对应第二风险特征。当第二预测模型的输出结果在与用户标签对应的两个数值之间取值时，该输出结果例如是对第二业务方的评分，或者对应某个用户标签的概率的风险参数，该输出结果可以直接作为第二风险特征。在一个实施例中，在模型训练过程中，用户标签用数值代替，“非风险用户”对应“1”，“风险用户”对应“0”等，则第二预测模型输出的描述第二风险特征的数值(评分或风险参数)越小，说明第二业务方的风险性越高，针对该第二业务方的针对性请求的可信度越高。

以神经网络为例，第二预测模型也可以采用如图3所示的模型架构。第二业务方的用户信息被整理提取成神经网络的各个特征输入第二预测模型，得到第二业务方对应的第二风险特征。其中，从第二业务方的用户信息提取到的各个特征例如是，历史被发起针对性请求的频次特征、风险行为特征、业务质量特征、相对业务方质量特征等等。这些特征也可以通过数值表示。例如风险行为特征中，1表示存在风险行为，0表示不存在风险行为，等等。

在一些可选的实施例中，第二预测模型的输出结果也可以是向量。该向量中各个元素对应第二业务方的风险类目，每个元素的具体值对应在对应类目上的评价结果、评分或概率。这种情况下，训练样本中的用户标签也可以是对应的向量，在此不再赘述。

经过以上的两个步骤，可以分别对第一业务方、第二业务方分别进行用户风险性评估。进一步地，具体到当前次的针对性请求，可以结合步骤204和步骤206的用户风险性评估进行具体分析。在步骤208中，至少基于第一风险特征、第二风险特征，为针对性请求确定处理策略。

根据一个可能的设计，如果第一风险特征满足第一风险条件，则可以确定处理策略为，拦截针对性请求。其中，拦截也可以理解为不再继续，此时，可以对针对性请求进行驳回，或者忽略处理。这里的第一风险条件是用于表示第一业务方对应到风险用户的条件。该第一风险条件根据不同实施例中第一风险特征的不同含义，有不同的表达方式。例如，第一风险特征表示第一业务方的风险程度时，第一风险条件可以是大于预定风险阈值(如大于0.95)。当第一风险特征为对应多个类目的向量或多个数值时，第一风险条件还可以按类目分别设置。

根据另一个可能的设计，如果第二风险特征满足第二风险条件，则可以确定处理策略为按照针对性请求对第二业务方做出相应处理。这里的第二风险条件可以是用于表示第二业务方对应到风险用户的条件。该第二风险条件根据不同实施例中第二风险特征的不同含义，有不同的表达方式。例如，第二风险特征表示第二业务方的安全(无风险)程度时，第二风险条件可以是小于预定风险阈值(如小于0.05)。此时，可以根据针对性请求中的实际请求内容对第二业务方进行处理，例如第一业务方的针对性请求是退款请求，可以要求第二业务方退款，或者直接通过第二业务方委托保管在交易平台的账户为第一业务方退款。

根据再一个可能的设计，如果第一风险特征满足第一风险条件，同时第二风险特征满足第二风险条件，还可以将针对性请求确定为异常请求。此时，由于第一业务方和第二业务方都存在较高的风险性(如涉嫌黄赌毒交易等)，可以通知平台人工介入，严重的还可以进行报警处理。当第二风险特征为对应多个类目的向量或多个数值时，第二风险条件还可以按类目分别设置。

实践中，还有其他各种可能情况，例如第一业务方和第二业务方的风险性都不高等等。因此，根据又一个可能的设计，还可以进一步对第一业务方、第二业务方在预定时间段内涉及的针对性请求进行分析，分别确定其针对特征，并根据当前针对性请求与第一业务方、第二业务方的针对特征的关联关系，确定处理策略。

其中，语义分析的目的在于提取出针对性请求所表达的语言含义。例如退款、服务态度差等。当针对性请求是以关键词选项提交的方式发起时，可以将被选中的关键词作为语义分析结果。当针对性请求是以自然语言描述的方式发起时，可以先对针对行请求中的自然语言描述语句进行切词、去除停用词、对剩下的关键词汇进行扩展、与预定语义词汇(特定业务场景下固定的分类词汇)匹配等处理，将匹配到的语义词汇作为语义分析结果。这样，可以将针对性请求中所针对的事项归纳到有限的针对类别或针对事项中，例如投诉类别发货慢、质量差、售后服务不好等等。在一些实现中，对针对性请求进行语义分析，还可以确定请求性质，如退款、尽快发货、赔偿等等。

具体地，一方面可以对第一业务方在第一预定时间段内发起的针对性请求进行语义分析，从而确定第一业务方的第一针对特征，另一方面可以对在第二预定时间段内针对第二业务方的针对性请求进行语义分析，从而确定第二业务方的第二针对特征。其中，第一预定时间段和第二预定时间段可以是相同时间长度的预定时间段。为了对分析结果更有意义，通常第一预定时间段和第二预定时间段以当前时间为结束时间。在一个实施例，可以先获取第一针对特征、第二针对特征，再基于第一风险特征、第二风险特征、第一针对特征、第二针对特征，为当前针对性请求确定处理策略。

其中，这里的第一针对特征用于表示第一业务方在发起针对性请求时的个性化特征，例如包括以下中的一项：发起意图(为什么发)、针对事项类别(发的是什么样的)，等等。其中发起意图可以是正常发起、恶意发起等等，针对事项类别例如是不发货、商品品质差等。第二针对特征用于表示第一业务方在发起针对性请求时的个性化特征，例如包括至少一个被针对事项类别等。确定当前针对事项与第一针对特征、第二针对特征的目的是，针对本次针对性请求事件，确定其相对于第一业务方、第二业务方分别属于什么性质，从而进行决策。在可选的实现方式中，第一针对特征和第二针对特征都可以通过向量方式表示。向量中的每一个元素对应一个针对事项，元素的具体值对应于第一业务方或第二业务方在该针对事项上的特征，例如，某一个元素的具体值是与第一业务方投诉相对业务方服务差的频次正相关的数值。

在一个进一步的实施例中，可以将第一风险特征、第二风险特征、第一针对特征、第二针对特征，以及针对性请求中的针对事项输入预先训练的第三预测模型，根据第三预测模型的输出结果确定针对性请求的风险系数，基于风险系数为针对性请求确定处理策略。其中，针对性请求中的针对事项可以提取为事项特征，例如可以通过向量表示，向量的每一个元素对应一个针对事项，元素的具体值对应针对性请求在该针对事项上的特征。第三预测模型的训练样本可以与多个针对性请求相对应。其中，每个针对性请求可以对应人工标注的风险标签，如“有风险”、“无风险”等。其中，被标注“有风险”标签的针对性请求可以是不可信请求，被标注“无风险”标签的针对性请求可以是可信请求。对每个针对性请求，可以利用前述的方法确定第一风险特征、第二风险特征、第一针对特征、第二针对特征，还可以从针对性请求中提取针对事项。进行模型训练时，可以分别将各个训练样本中的第一风险特征、第二风险特征、第一针对特征、第二针对特征、针对事项输入选定的模型，并根据相应的风险标签调整模型特征，从而训练第三预测模型。可以理解，训练样本的风险标签可以通过预定数值表示，如“0”、“1”，第三预测模型的输出结果可以是预定数值之间的任何数值。该第三预测模型的输出结果可以用于描述针对性请求的可信程度。该输出结果越接近表示“有风险”标签的数值，说明针对性请求的可信度越低，反之，针对性请求的可信度越高。

可以直接将上述输出结果作为针对性请求的风险系数，也可以把上述输出结果经过正相关或负相关的变换，并将变换结果作为风险系数。风险系数还可以和预定处理策略之间具有预先确定的对应关系，在得到风险系数之后，根据该对应关系从预定处理策略中选择出当前的处理策略。例如，当针对性请求的风险系数较低可信度较高时，可以按照针对性请求的针对事项进行相应处理，如通知第二业务方，对第二业务方进行相应处罚等等，反之，当针对性请求的风险系数较高可信度较低时，可以对针对性请求进行拦截。

可以理解，对于发起针对性请求的第一业务方而言，如果当前针对请求中涉及的针对类别是第一业务方经常发起针对性事件的类别，则该第一业务方可能对某些事项比较挑剔，也可能是恶意发起针对性请求，该针对性请求属于高风险请求，可信度较低。例如一个消费者经常因为质量问题申请退款，那么该消费者可能恶意扰乱商家的业务，也可能比较挑剔，则该消费者属于高风险用户，当前针对性请求的可信度较低。如果一个消费者偏好对某一类商品发起针对性请求，则可能该消费者对该类商品特别挑剔，或者对同行商户恶意发起针对性请求，则该消费者针对该类别商品属于高风险用户，如果当前针对性请求是针对该类别商品发起的，那么可信度较低。

对于被发起针对性请求的第二业务方而言，如果当前针对性请求对应的针对类别是第二业务方经常被针对的类别，则该第二业务方在该类别的针对性请求上属于高风险用户，该针对性请求可信度高，或者说真实性高。反之，可能需要进一步确认。举例而言，如果一个商户近期经常被投诉发货慢，那么发货慢可能是该商户确实存在的问题。

如此，可以依据针对性请求的可信度，或者风险度，来进行处理决策。例如，如果第一业务方为高风险用户，那么当前针对性请求的可信度较低，可以做出拦截的处理决策，如果第二业务方为高风险用户，那么当前针对性请求的可信度高，可以做出对第二业务方进行处理的决策等。

因此，在另一个进一步的实施例中，可以预先设定第一风险特征、第二风险特征、第一针对特征、第二针对特征，与处理决策之间的映射规则，按照预映射规则为针对性请求确定处理策略。具体地，可以从针对性请求中提取当前针对事项，确定当前针对事项分别与第一针对特征、第二针对特征是否相关联，并基于所确定的当前针对事项与第一针对特征、第二针对特征的关联关系，以及第一风险特征、第二风险特征，为针对性请求确定处理策略。其中，当前针对事项与第一针对特征相关联，可以用于描述当前针对事项属于第一针对特征中的针对事项类别时的情况，当前针对事项与第二针对特征相关联，可以用于描述当前针对事项属于第二针对特征中的针对事项类别时的情况。可选地，当前针对事项与所述第一针对特征、所述第二针对特征的关联关系也可以通过关联度进行描述。这样，在关联度大于预定关联度阈值时，当前针对事项与相应针对特征相关联。

其中，上述的映射关系可以是预先确定，以下列举部分通过映射关系确定处理策略的例子，对此进行说明。以第一风险特征不满足第一风险条件的情况为例，此时第一业务方的风险性比较低。如果此时当前针对事项与第一针对特征相关联，说明针对性请求符合第一业务方发起的针对性请求习惯，可以确定处理策略为，向第一业务方发送提供证据的通知，进一步对针对性请求的风险性进行判断。如果此时当前针对事项与第一针对特征不相关联，说明针对性请求不符合第一业务方发起的针对性请求习惯，此时，由于根据第一风险特征确定了第一业务方的风险性比较低，可以确定针对性请求的可信度比较高，向第二业务方进行反馈。在可选的实现方式中，如果当前针对事项与第一针对特征不相关联，还可以进一步判断第二业务方的风险性。如果第二风险特征满足第二风险条件，则说明第二业务方的风险性比较高，针对性请求的可信度比较高。如果第二风险特征不满足第二风险条件，还可以进一步判断当前针对事项与第二针对特征是否相关联，如果相关联，则说明第二业务方在该针对事项上确实存在问题，针对性请求的可信度比较高。在针对性请求的可信度比较高的情况下，可以按照针对请求向第二业务方发送处理通知，或者，按照针对性请求对第二业务方做出相应处理。实践中，利用映射关系还可以针对更多情形确定对应的处理策略，在此不再一一列举。

为了更直观描述上述确定处理决策过程的实现效果，请参考图4所示。图4示出了一个具体实施例中，在面对当前收到的针对性请求，如何进行处理决策的示意图。如图4所示，在收到当前针对性请求时，对于第一业务方，一方面，将其对应的第一用户信息经过第一预测模型处理，得到第一业务方的第一风险特征，另一方面，对于第一业务方在第一预定时间段(最近一个预定时间段)内发起的针对性请求，通过语义分析解析其请求性质，得到第一针对特征。而对于针对性请求所针对的第二业务方，一方面，将其对应的第二用户信息经过第二预测模型处理，得到第二业务方的第二风险特征，另一方面，对于在第二预定时间段(最近一个预定时间段)内针对该第二业务方的针对性请求，通过语义分析解析其请求性质，得到第二针对特征。对于当前的针对性请求，分析其中的当前针对事项。然后，根据预先确定的映射规则，按照第一风险特征、第二风险特征、第一针对特征、第二针对特征、当前针对事项的具体内容映射到预定的处理决策，或者将第一风险特征、第二风险特征、第一针对特征、第二针对特征、当前针对事项对应的事项特征输入预先训练的第三预测模型，按照第三预测模型的输出结果来确定处理决策。

如图4所示，对于收到的针对性请求，不是孤立地对当前的针对性请求进行分析，而是对提出针对性请求的第一业务方和所针对的第二业务方，分别利用大量的用户信息，分析其风险性，并联系其在预定时间段内相关的针对性请求，综合分析。这样，把各种相关信息都充分利用起来，对错综复杂的数据进行梳理整合并利用于当前针对性请求处理决策，可以使得决策结果更加个性化、更加准确。同时不依赖人工，效率较高，可以提升用户体验。

在一种实现方式中，还可以根据步骤208中确定的处理策略分别更新第一业务方的用户信息、第二业务方的用户信息，以应用于第一业务方和第二业务方的后续针对性请求处理过程。

回顾以上过程，在针对性请求的处理过程中，对发起针对性请求的第一业务方和所针对的第二业务方首先根据用户信息进行用户风险性的评估，充分利用用户的各种数据，从而对结合用户的风险性，来估计针对性请求的风险性，并据此确定处理决策。该方法可以将错综复杂的各种用户信息进行梳理，沉淀出用户的风险层级，然后结合到具体的针对性请求事件中，综合制定处理决策，从而提高处理针对性请求的有效性。

图5示出针对性事件的处理的装置500。装置500可以包括：获取单元51，配置为获取第一业务方针对第二业务方发起的针对性请求，其中，第二业务方是第一业务方的相对业务方；第一分析单元52，配置为获取第一业务方的用户信息，并利用预先训练的第一预测模型处理第一业务方的用户信息，从而根据第一预测模型的输出结果确定第一业务方的第一风险特征；第二分析单元53，配置为获取第二业务方的用户信息，并利用预先训练的第二预测模型处理第二业务方的用户信息，从而根据第二预测模型的输出结果确定第二业务方的第二风险特征；决策单元54，配置为至少基于第一风险特征、第二风险特征，为针对性请求确定处理策略。

其中，上述的第一业务方的用户信息可以包括但不限于以下中的一项或多项：业务行为数据、历史纠纷数据、第一账户数据、用户质量数据。

上述第一预测模型通过以下方式训练：

获取与多个第一业务方分别对应的各个第一训练样本，其中，各个第一训练样本分别对应各个第一业务方的用户信息以及针对各个第一业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；

将各个第一训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第一预测模型。

该第一预测模型的训练过程可以由装置500中的模型训练模块执行，也可以通过其他装置预先训练，在此不作限定。

上述第二业务方的用户信息可以包括但不限于以下中的一项或多项：业务能力数据、用户安全数据、用户质量数据。

上述第二预测模型通过以下方式训练：

获取与多个第二业务方分别对应的各个第二训练样本，其中，各个第二训练样本分别对应各个第二业务方的用户信息以及针对各个第二业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；

将各个第二训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第二预测模型。

同理，该第二预测模型的训练过程可以由装置500中的模型训练模块执行，也可以通过其他装置预先训练，在此不作限定。

根据一个可能的设计，决策单元54可以进一步配置为：

获取第一业务方的第一针对特征以及第二业务方的第二针对特征，其中，第一针对特征通过对第一业务方在第一预定时间段内发起的针对性请求进行语义分析而确定，第二针对特征通过对在第二预定时间段内针对第二业务方的针对性请求进行语义分析而确定；

基于第一风险特征、第二风险特征、第一针对特征、第二针对特征，为针对性请求确定处理策略。

进一步地，第一针对特征可以包括第一业务方的至少一个针对事项类别，第二针对特征可以包括第二业务方的至少一个被针对事项类别。

在一些实施方式中，决策单元54还可以进一步配置为：

从针对性请求中提取当前针对事项；

确定当前针对事项分别与第一针对特征、第二针对特征的关联关系；

基于所确定的当前针对事项与第一针对特征、第二针对特征的关联关系，以及第一风险特征、第二风险特征，为针对性请求确定处理策略。

在更进一步的实施例中，在第一风险特征不满足第一风险条件，且当前针对事项与第一针对特征相关联的情况下，决策单元54还可以确定处理策略为，向第一业务方发送提供证据的通知；

在第一风险特征不满足第一风险条件的情况下，如果第二风险特征满足第二风险条件，或者当前针对事项与第二针对特征相关联，决策单元54还可以确定处理策略为，按照针对请求向第二业务方发送处理通知，或者，按照针对性请求对第二业务方做出相应处理。

根据另一些实施方式，决策单元54还可以进一步配置为：将第一风险特征、第二风险特征、第一针对特征、第二针对特征、针对性请求中的针对事项，输入第三预测模型，从而根据第三预测模型的输出结果确定针对性请求的风险系数；基于该风险系数为针对性请求确定处理策略。

根据一些可能的实施例，决策单元54还可以配置为：在第一风险特征满足第一风险条件确定处理策略包括，拦截针对性请求；

在第二风险特征满足第二风险条件的情况下，确定处理策略包括，按照针对性请求对第二业务方做出相应处理；

在第一风险特征满足第一风险条件，同时第二风险特征满足第二风险条件的情况下，确定针对性请求为异常请求。

在一些可能的实施例中，装置500还可以包括更新模块(未示出)，配置为，根据锁确定的处理策略分别更新第一业务方的用户信息、第二业务方的用户信息，以供用于后续的决策过程。

值得说明的是，图5所示的装置500是与图2示出的方法实施例相对应的装置实施例，图2示出的方法实施例中的相应描述同样适用于装置500，在此不再赘述。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行相应描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现相应描述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (15)

1.一种针对性请求的处理方法，所述方法包括：

获取第一业务方针对第二业务方发起的针对性请求，其中，所述第二业务方是所述第一业务方的相对业务方；

获取所述第一业务方的用户信息，并利用预先训练的第一预测模型处理所述第一业务方的用户信息，从而根据所述第一预测模型的输出结果确定所述第一业务方的第一风险特征；

获取所述第二业务方的用户信息，并利用预先训练的第二预测模型处理所述第二业务方的用户信息，从而根据所述第二预测模型的输出结果确定所述第二业务方的第二风险特征；

至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

2.根据权利要求1所述的方法，其中，所述第一业务方的用户信息包括以下中的一项或多项：

业务行为数据、历史纠纷数据、第一账户数据、用户质量数据。

3.根据权利要求1或2所述的方法，其中，所述第一预测模型通过以下方式训练：

获取与多个第一业务方分别对应的各个第一训练样本，其中，各个第一训练样本分别对应各个第一业务方的用户信息以及针对各个第一业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；

将各个第一训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第一预测模型。

4.根据权利要求1所述的方法，其中，所述第二业务方的用户信息包括以下中的一项或多项：

业务能力数据、用户安全数据、用户质量数据。

5.根据权利要求1或4所述的方法，其中，所述第二预测模型通过以下方式训练：

获取与多个第二业务方分别对应的各个第二训练样本，其中，各个第二训练样本分别对应各个第二业务方的用户信息以及针对各个第二业务方标注的各个用户标签，所述用户标签包括风险用户或非风险用户；

将各个第二训练样本对应的用户信息分别输入选定的模型，并按照对应的风险用户或非风险用户的标签调整模型参数，以训练所述第二预测模型。

6.根据权利要求1所述的方法，其中，所述基于所述第一风险特征、第二风险特征，为所述针对性请求确定处理策略包括：

获取所述第一业务方的第一针对特征以及所述第二业务方的第二针对特征，其中，所述第一针对特征通过对所述第一业务方在第一预定时间段内发起的针对性请求进行语义分析而确定所述第二针对特征通过对在第二预定时间段内针对所述第二业务方的针对性请求进行语义分析而确定；

基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略。

7.根据权利要求6所述的方法，其中，所述第一针对特征包括所述第一业务方的至少一个针对事项类别，所述第二针对特征包括所述第二业务方的至少一个被针对事项类别。

8.根据权利要求7所述的方法，其中，所述基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略包括：

从所述针对性请求中提取当前针对事项；

确定所述当前针对事项分别与所述第一针对特征、所述第二针对特征的关联关系；

基于所确定的当前针对事项与所述第一针对特征、所述第二针对特征的关联关系，以及所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

9.根据权利要求8所述的方法，其中，所述基于所述当前针对事项与所述第一用户特征、所述第二用户特征的关联关系，以及所述第一用户特征、所述第二用户特征，为所述针对性请求确定处理策略包括：

在所述第一风险特征不满足第一风险条件，且所述当前针对事项与所述第一针对特征相关联的情况下，确定所述处理策略为，向所述第一业务方发送提供证据的通知；

在所述第一风险特征不满足第一风险条件的情况下，如果所述第二风险特征满足第二风险条件，或者所述当前针对事项与所述第二针对特征相关联，确定所述处理策略为，按照所述针对请求向所述第二业务方发送处理通知，或者，按照所述针对性请求对所述第二业务方做出相应处理。

10.根据权利要求6或7所述的方法，其中，所述基于所述第一风险特征、第二风险特征、第一针对特征、第二针对特征，为所述针对性请求确定处理策略包括：

将所述第一风险特征、第二风险特征、第一针对特征、第二针对特征、所述针对性请求中的针对事项，输入第三预测模型，从而根据所述第三预测模型的输出结果确定所述针对性请求的风险系数；

基于所述风险系数为所述针对性请求确定处理策略。

11.根据权利要求1所述的方法，其中，所述至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略包括以下至少一项：

在所述第一风险特征满足第一风险条件确定所述处理策略包括，拦截所述针对性请求；

在所述第二风险特征满足第二风险条件的情况下，确定所述处理策略包括，按照所述针对性请求对所述第二业务方做出相应处理；

在所述第一风险特征满足第一风险条件，同时所述第二风险特征满足第二风险条件的情况下，确定所述针对性请求为异常请求。

12.根据权利要求1所述的方法，其中，所述方法还包括：

根据所述处理策略分别更新所述第一业务方的用户信息、所述第二业务方的用户信息。

13.一种针对性请求的处理装置，所述装置包括：

获取单元，配置为获取第一业务方针对第二业务方发起的针对性请求，其中，所述第二业务方是所述第一业务方的相对业务方；

第一分析单元，配置为获取所述第一业务方的户信息，并利用预先训练的第一预测模型处理所述第一业务方的用户信息，从而根据所述第一预测模型的输出结果确定所述第一业务方的第一风险特征；

第二分析单元，配置为获取所述第二业务方的用户信息，并利用预先训练的第二预测模型处理所述第二业务方的用户信息，从而根据所述第二预测模型的输出结果确定所述第二业务方的第二风险特征；

决策单元，配置为至少基于所述第一风险特征、所述第二风险特征，为所述针对性请求确定处理策略。

14.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-12中任一项的所述的方法。

15.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-12中任一项所述的方法。