CN110348704A - 风险识别方法、装置及系统 - Google Patents
风险识别方法、装置及系统 Download PDFInfo
- Publication number
- CN110348704A CN110348704A CN201910556534.5A CN201910556534A CN110348704A CN 110348704 A CN110348704 A CN 110348704A CN 201910556534 A CN201910556534 A CN 201910556534A CN 110348704 A CN110348704 A CN 110348704A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- interactive information
- value
- service request
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002452 interceptive effect Effects 0.000 claims abstract description 140
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims description 75
- 230000003068 static effect Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 19
- 230000000750 progressive effect Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010012335 Dependence Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种风险识别方法、装置及系统。在接收到业务请求时，向用户发送用于判定业务风险的交互信息，并且基于用户对已发送的交互信息的反馈结果来确定后续发送的交互信息，然后结合用户的历史数据以及对交互信息的反馈结果来综合判定业务请求的风险等级。本说明书实施例提供的风险识别方法，通过交易过程中与用户进行风险交互，并且采用递进式的交互方式，可以在交互过程中高效准确的获取用于判定业务请求风险的关键数据，结合用户历史数据做综合判定，可以获取更加准确的风险识别结果。
Description
技术领域
本说明书涉及风险控制技术领域，尤其涉及一种风险识别方法、装置、系统。
背景技术
随着互联网的发展，通过网络完成各种业务交易已经非常普遍，为了保证各项业务交易的安全，通常会对发生的业务交易进行风险识别，并根据风险识别的结果对业务交易进行管控，以避免一些欺诈性的交易给用户带来不必要的损失。现有的风险识别技术，大多是根据用户的历史数据以及业务交易本身的特点去判定风险，由于获取的历史数据往往不够全面，且时效性较低，造成风险识别结果不够准确。为了进一步提升风险识别结果的准确性，需要对风险识别的方法做出改进。
发明内容
基于此，本说明书提供了一种风险识别方法、装置及系统。
根据本说明书实施例的第一方面，提供一种风险识别方法，所述方法包括：
当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
根据本说明书实施例的第二方面，提供一种风险识别装置，所述风险识别装置包括：
发送模块，当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
风险确定模块，用于基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一实施例所述的方法
根据本说明书实施例的第四方面，提供一种风险识别系统，包括：
交互模块，用于当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
风险确定模块，用于基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
应用本说明书实施例方案，在接收到业务请求时，向用户发送用于判定业务风险的交互信息，并且基于用户对已发送的交互信息的反馈结果来确定后续发送的交互信息，然后结合用户的历史数据以及对交互信息的反馈结果来综合判定业务请求的风险等级。本说明书实施例提供的风险识别方法，通过交易过程中与用户进行风险交互，并且采用递进式的交互方式，可以在交互过程中高效准确的获取用于判定业务请求风险的关键数据，结合用户历史数据做综合判定，可以获取更加准确的风险识别结果。
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，并不能限制本说明书。
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，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本说明书一个实施例的一种风险识别方法流程图。
图2是本说明书一个实施例的一种风险识别方法示意图。
图3是本说明书一个实施例的一种风险识别装置的逻辑结构示意图。
图4是本说明书一个实施例的用于实施本说明书方法的计算机设备的结构示意图。
图5a-5b是本说明书一个实施例的一种风险识别系统示意图。
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说明书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、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
随着互联网的发展，通过网络完成各种业务交易已经非常普遍，为了保证各项业务交易的安全，通常会对发生的业务交易进行风险识别，并根据风险识别的结果对业务交易进行管控，以避免一些欺诈性的交易给用户带来不必要的损失。目前，在对业务交易进行风险识别时，通常是根据用户的历史数据，比如历史交易情况、关系数据、用户的终端设备的情况，比如是否为陌生设备、是否为陌生地址等，以及业务属性，比如业务类型，是否是大额转账等来进行风险识别，然后根据识别结果来进行风险管控。由于用户的历史数据涉及用户的隐私，因而，获取到的用户历史数据往往只是很小一部分，并不能获取到用户在各个方面的全面的历史数据，所以，仅仅通过历史数据来对业务风险进行识别还不能获取准确的识别结果。此外，由于，通过历史数据分析风险需要一定的数据积累和回传过程，由于风险信息是时刻变化的，因此，通过历史数据来进行风险识别的时效性也比较低。
基于此，本说明书实施例提供一种风险识别方法，可以通过在业务交易的过程中与用户进行实时动态的交互，采用递进式的方式，基于用户反馈的交互结果来确定后续的交互信息，可以更加高效快速地捕捉到判断业务风险的相关信息，并且结合用户的历史数据和实时的交互结果对业务交易做出更加精准的风险识别。如图1所示，所述方法可包括以下步骤：
S102、当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
S104、基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
目前，在对业务交易进行风险识别时，通常都是只采用用户的历史数据来对业务交易进行风险识别的，由于获取用户的历史数据往往不够全面，且历史数据有一定滞后性，没法获取最新的风险动态相关的历史数据，因而仅仅通过历史数据来判定业务交易的风险会造成风险识别结果不准确。为了获取更加准确的风险结果，本说明书实施例在接收到用户通过终端，比如手机、电脑、平板等设备提交的业务请求后，会根据所述业务请求的类型以及结合用户的个人情况向用户发送用于判定业务请求风险的交互信息，比如，向用户发送一些预先设置用于判定风险的交互信息，这些判定风险的交互信息可以是根据业务请求类型有针对性的设置的一些交互信息，或者是根据用户的历史数据中缺乏的一些数据设置的交互信息，还可以是根据当前的一些最新的风险动态设置的问交互信息，让用户对这些交互信息进行反馈。并且，根据用户对已发送的交互信息的判定结果来确定后续发送的交互信息，比如根据用户对上一个问题的回答来决定下一个该发送的问题是什么，这样便可以在业务交易过程中，通过实时的动态交互，精准高效地获取到用于判定业务风险的关键信息，而且可以根据用户的反馈结果来灵活的设置交互信息，比如用户在反馈的时候选择耐心反馈，则可以提高交互信息的复杂程度，如果用户忽略这些交互信息，则可以较小交互信息的复杂程度，已到达更好的交互体验。在某些实施例中，交互信息可以是一些是否类的问题、选择题、问答题、填充题等，用户可以文字输入的方式或者是语音的方式对这些交互信息进行反馈。比如可以让用户输入交易对象的姓名和号码，判断交易对象是否陌生人，比如还可以让用户输入一段语音，然后与预先存储的用户的语音进行比对，看是否为同一个人，当然可以发送一些问答题，为了方便用户回答，可以让用户进行语音输入。
在某些实施例中，用户的历史数据可以是用户的基础信息、用户的历史交易信息、用户的社交数据、用户的关系型数据和/或所述终端的设备环境信息。由于业务交易的风险受很多因素的影响，因而需要综合考虑用户在各方面的历史数据，比如用户的一些基本信息，比如用户的年龄、学历背景等基础的个人信息，用户的历史交易数据，比如用户在历史交易中是否有过受骗现象，用户的社交数据，比如用户的转账对象是否是用户的熟人，还是陌生人，还有用户的终端设备环境信息，比如用户进行交易的终端是否是一个陌生的设备，终端所处的地理位置是否一个陌生的地理位置。这些历史数据都对业务交易的风险存在一定的影响。
在与用户进行交互后，可以结合用户对交互信息的反馈结果以及用户的历史数据来共同判定业务请求的风险等级。在某些实施例中，当用户通过终端提交一个业务请求后，可以先通过用户的历史数据确定业务请求一个风险值，我们称之为静态风险值。通常，可以利用机器学习算法对用户的历史数据进行学习，然后再通过学习后计器学习算法来确定该业务请求的静态风险值。然后根据用户在交互过程中对交互信息的反馈结果确定该业务请求的风险值，我们称之为动态风险值。其中，动态风险值的计算可以根据预先设置的交互信息以及风险值计算规则来计算。比如，第一条交互信息为：此次交易是否为向陌生用户转账？如果用户的反馈结果为：是，则风险值为1，如果用户的反馈结果为否，则风险值为0。如果用户对第一条交互信息的反馈结果为是，则可以设置第二交互信息为：此次交易金额是否超过5000？如果用户反馈结果为：是，则风险值为1，如果为否则风险值为0.5。然后可以根据交互信息之间的逻辑关联设定风险值的计算规则，比如可以将每一次交互的风险值相加，相乘或者采用一定的计算公式计算，得到最终的动态风险值。确定该业务请求的静态风险值和动态风险值后，即可以根据这两个风险值得到该业务请求的最终风险值或风险等级。最终的风险等级也可以根据预先设置的计算规则计算，比如将动静态风险值相加、相乘或者采用预设计算公式计算，具体可以根据具体场合来灵活设定。
由于对于某些业务请求，通过用户的历史数据就可以确定该业务请求风险的高低，因而无需通过交易过程中的交互来进一步辅助确认业务请求风险的高低，往往是那些通过历史数据确定得到风险等级处于中间状态的业务请求，比较不好确定该做出何种风险控制。因此，在某些实施例中，在根据历史数据确定业务请求的静态风险值后，可以根据预先设置的静态风险值与风险等级的对应关系确定该业务请求的静态风险等级，比如可以按照风险值的大小将风险等级分为：低，中低，中，中高，高，如果该业务请求的静态风险等级属于低或者高这两个风险等级段，则直接按照预设的风险策略进行风险控制，如果该业务请求的静态风险等级属于中低、中、或者中高，这种处于比较模糊的风险等级段，则可以向该用户发送交互信息，通过加以过程中的交互来对该业务请求的风险等级进一步判断。当然，在某些实施例中，也可以对风险等级属于中低、中、或者中高的业务请求抽样，通过交互进行风险再判断。
当然，在与用户进行交互的过程中，为了尽可能高效、快速地获取到比较关键、可靠和全面的数据，用于进行风险判断。交互信息的设置是非常关键的，交互信息之间应该有一定的逻辑关联和递进方式，以便更加快速准确地从交互过程中获取到关键数据。所以，在某些实施例中，可以叫交互信息设置不同的层级，每个层级可以包括一条或多条交互信息，后一层级的交互信息由用户对前一个层级的交互信息的反馈结果来确定。比如，可以将同一种类型的交互信息放在一个层级，比如是否类的问题放在一个层级，问答类的问题放在一个层级，当然也可以将交互复杂度类似的交互信息放在同一个层级，比如复杂的问题放一个层级，简单的问题放一个层级。然后采用层层递进的方式去确定各层级的交互信息。在某些实施例中，考虑到交互过程势必会对用户造成干扰，而不同的用户对干扰的忍受程度也不一样，因此，可以在给用户发送交互信息时，按照交互的复杂程度由简单到复杂的规律去发送，如后一层级的交互复杂程度比前一层级的交互复杂程度要高一些。举个例子，可以将交互信息分为四个层级，每个层级的交互复杂程度由简单到复杂，第一层级主要为是否类问题，第二层级为多项选择题，第三层级为填充题，第四层级为前几种题型的组合，用户在对各层级的交互信息进行反馈时，其复杂程度会逐渐提升。通过将简单的交互信息置于第一个层级，然后依次加难，可以先对用户的抗干扰忍耐度做一个测试，如果用户在最开始层级都选择放弃交互，则可以停止发送后续层级的交互信息，如果用户在前面层级都耐心反馈，则说明用户抗干扰忍耐度较高，则可以继续发送较复杂的交互信息。通过这种差异化的管控，可以减少对用户的打扰，提升用户体验。
在完成各层级的交互信息的交互后，可以根据预先设置的各层级的风险值计算方法以及用户的反馈结果来计算动态风险值，比如可以先计算出每个层级的风险值，再将每个层级的风险值进行一个综合计算，得到最终的动态风险值，比如现根据各层级预先设置的算法得到各层级的风险值，然后再将各层级的风险值迭代相乘，得到最终的动态风险值。当然，在某些实施例中，用户可以能会放弃某些层级的交互操作，这时可以忽略这个层级的风险值，比如，假设一共有四个层级的交互信息，用户放弃第四层级的交互操作，而四个层级的风险值通过相乘得到终的动态风险值，这时，可以把用户跳过的层级的风险值设置为1。
在确定静态风险值和动态风险值后，可以根据预先设置的计算规则计算最终的风险值。比如若是最终的风险值高于静态风险值，那么可以在原来的风险管控基础上，加强风险控制；相反，则可以考虑风险释放，解除对低风险的交易不必要打扰。此外，在某些实施例中，当业务交易完成后，还可以根据最终的业务交易结果，即业务交易实际的风险情况，从交互过程中的交互信息和用户的反馈结果中，提取一些有价值的数据作为用户的历史数据，以补充用户的历史数据的数据库，这样便可以用于下一次业务交易的风险判断。
本说明书实施例中通过在业务交易过程中，通过设置多层级的交互信息，采用层层递进的方式，按照交互程度由简单到复杂的原则，向用户发送交互信息，既可以精准快速高效的通过交互获取用于风险判定的数据，以便对历史数据没有涵盖到的用户数据进行补充，用以辅助风险判断，得到更加精确地结果，又可以通过差异化的管控，减小对用户的干扰，还可以将根据交易结果和业务的实际风险状况，从交互信息和反馈结果中提取有价值的数据，用来补充用户的历史数据。
为了进一步解释本说明书的风险识别方法，以下结合图2用一个具体的实施例加以说明。如图2所示，该实施例通过数据池中的用户历史数据确定业务请求的静态风险值，然后通过业务交易过程中，设置四个层级的交互信息，获取反馈结果，再根据用户的反馈结果和预先设置的迭代算法计算动态风险值，然后通过静态风险值确定组合风险值，根据组合风险值来进行风险管控。以下对个阶段的具体实施过程进行详细说明：
1、根据历史数据确定静态风险值。
一般风险识别系统中，会有一个数据库用来存储用户的历史数据，我们称之为风险数据池。风险数据池中存储有用户的基础信息、关系型数据、社交行为数据、设备环境数据、历史交易数据等。静态风险识别的基础是多样化的风险数据，这些数据包括风险主体的基础信息，比如自然人的年龄、性别、职业等；历史交易信息，用于判断消费偏好和经常性支出/收入行为等，比如网瘾少年一般会有经常性的游戏充值等；关系型数据，对于主次交易双方的历史关系判断，如历史存在经常性的交易；社交行为数据，社交平台好友，经常通讯的生活类关系等；设备环境数据，如交易双方是否在同一地理位置(LBS)判定网络交易还是面对面交易等。这类数据一般都是历史性或是存在时间滞后性数据，可通过建立预测性模型，判断当前的业务交易的风险程度，生成静态风险值。比如利用风险数据池中的全量数据，根据事后的样本，比如案件类数据，提炼特征，利用机器学习算法等计量当前的业务交易的静态风险值。
2、根据静态风险等级确定是否在交易过程中与用户进行风险交互。
可以将静态风险值分为五个风险等级：低，中低，中，中高，高，其中低和高的准确率一般较高，因为应用了事后案件类数据以及可识别的行为偏好，而中低，中，中高，准确度相对较低，主要原因是获取的用户历史数据还不够全面，用户无明确行为偏好，风险实时突变。这些因素会导致静态风险识别在此三类等级中得到的风险结果不够准确。风险交互则主要针对此等级的用户输出，同时也可对其他两个高准确等级的用户抽样进行风险再判断。
3、风险交互阶段
风险交互阶段可以分为四个层级，以用户感知来说，是从简易到复杂。T0层交互(简易类)，偏向初次风险交互，或是打扰低忍耐度人群，T0层交互一般偏向是否判断，且交互过程简单。T1层交互基于T0层结果递进，一般交互内容复杂于T1，但是仍然偏向简单，比如选择类为主；T2层交互(非结构类)，此类交互多偏向打扰忍耐度较高，可以接受非选择类主动填写等复杂形式交互；T3层交互(组合类)，即依照某种关联组合多种形势交互，比如选择，问答，填充等，可以文字反馈，也可以语音反馈；对于交互过程中用户的反馈结果，根据预先定义的风险值计算规则，生成动态风险值。
3.1T0层交互以及风险值计算
T0层作为基础交互层，一般实现简单交互，比如是否类问答等。本层非必要层，即可以不设置本层级直接进去下一层级，但是对于用户分流，风险预判存较大作用。本层级风险值符合如下规律：
举例，T0层级的第1题(i＝1)是否类问答交互，“您是否在与曾经见过面的朋友交易？”，回答有两种：“是”，“否”；“是”对应风险值：“否”对应风险值两者关系：
一般T0层交互次数较少(i小于3)，风险判断偏向是否类(j＝2)。
3.2T1层交互以及风险值计算
T1层交互依赖T0层风险交互结果，比如对于选择‘是’和‘否’的用户，T1层风险交互差异化输出。此层级风险值可以预设，同时与T1层不同，同一组交互，风险值可相似，但是一般无负值，即默认交互内容均用于判定风险，通过值的差异，显示风险大小。在计算风险值时，设定风险值基数各组风险值可以根据风险基数来计算。比如，对于T1层第i组风险交互，每个交互的风险值根据以下公式计算：
一般k取整数。如对于问答式交互，“您在交易前或是当中是否遇到如下情况”，选择“1.账户异常有陌生设备登录”，“2.向陌生人泄露验证码或是密码”，“3.正在给没有见过面的网友转账”，“4.没什么异常，面对面交易”。对于此组交互(支持多选)，每个选项是k倍风险基数比如若是认为1-3选项高危，选项预设风险值5第四选项低危，预设风险值0若是交互过程中，即选择1又选择2，那么此组交互合计风险值10
3.3T2层交互以及风险值计算
T2层交互的主要内容是非结构化数据，比如填写交易关系，交易对方联系方式，姓名等。这类交互的风险判断一般不是预设风险值，而是通过内外部风险数据库关联对比，返回对应风险值，风险值表示为：
一般T2层每个交互i只提取一个非结构化数据，比如第一组交互：交易目的；第二组交互：联系方式，那么与之前风险值区别在于，每组对应唯一风险值。唯一风险值由内外部风险数据库确定，比如某一特定风险确认案件的手机号码，风险值0.9，若是通过事中交易用户填写的对方联系方式匹配，那么风险此交互风险值亦是0.9。
T2层最后的风险值取各组交互风险值最大的：
T2层目标群体是可接受深度打扰人群，即有意愿深度交互人群。
3.4T3层交互以及风险值计算
组合类交互主要是非结构化数据交互与标签类交互组合，这类考虑到目标群体交互意愿以及在T0层至T2层表现与结果，比如用户在T0至T2层均是跳过，那么此层级预计输出简易类组合交互以捕捉关键信息。组合类交互与纯结构类交互(T2层)的区别在于，组合交互之间存在紧密逻辑关系，而非结构数据交互之间弱关联或是无关联。
T3层的风险值为各组交互风险值的乘积，计算公式如下：
4、动态风险值的计算
计算得到各层级的风险值后，可以基于各层级的风险值计算动态风险值。
需要指出的是，上述各个层级并非一定出现，可根据用户在交易过程中选择是否继续交互，另外某些特定风险或是场景，交互设计较为简单，可能只是一个层级。
各层级中各组风险交互组合风险值计量如下：
(1)T0层，作为风险预判和分流准备，交互组别一般控制在2组及以内，计算公式如下：
(2)T1层，通过T0层分流后，若是T0层对应风险值较高，且可以个性化T1层输出，那么T0层风险值相当于放大器功能作用于T1，可以进行第一重迭代计算，将T0层风险值与T1层相乘：
(3)T2层，在T1层的基础上深度交互，聚焦非结构化数据，可以进行第二重迭代计算，将T1层风险值与T2层相乘：
(3)T3层，在T2层的基础关联组合交互：
若是出现某个层级交互被跳过，那么对应层级无风险值，迭代过程中无风险值层级对应值设为1，即若是T0层被跳过，那么MT0＝1，迭代计算时直接跳入下一层。为了灵活性考虑，理论上打乱层级，即变动迭代顺序亦可计量。
5、组合风险值计算
组合风险值主要是综合考虑静态风和动态风险，计量两者的综合风险值。组合风险值作为事中交易的最终风险值，将直接影响对交易的管控。比如若是组合风险值高于静态风险值，那么在原管控基础上，会加强风险控制；相反，则考虑风险释放，解除对低风险的交易不必要打扰。
根据上述陈述，静态风险值M0，是交易风险计量基础，在事中交易发起前已经根据风险数据库中的历史数据完成计量。动态风险值最终迭代结果MT3(若是之前某层无交互则直接等于下一层交互结果)，是多层级多组交互的最终迭代计量结果，综合了事中交易中所有的交互风险。
1)组合风险值计量
首先，对动态风险值做标准化转换，转换方式一般根据MT3的拟合分布，比如假设符合常用的正态分布，可以把风险值转换为标准正态分布，目的是动态风险值在-1与1之间，转换关系如下：
其次，对于转换后的动态风险值MT，结合静态风险值M0，计量最终组合风险值。
6、反哺风险数据库
对于根据风险数据库计量的静态风险值与组合风险值偏差较大的部分，比如：
MT＞＞M0
此种情况下，各层级交互中产生的数据通过清理加工，补充至风险数据库，作为其他数据分析中高风险分析应用。反之，组合值远小于静态风险值，亦补充风险数据库，作为风险数据的修正。当然，也可以根据最终的业务交易结果，以及实际的业务风险情况，从各层级的交互信息和反馈结果中挖掘出比较有价值的数据保存到风险数据库中，以便下一次业务风险识别使用。
以上实施例中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
如图3所示，是本说明书风险识别方法对应的风险识别装置，所述装置30可包括：
发送模块31，当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
风险确定模块32，用于基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
在一个实施例中，向所述终端发送用于判定所述业务请求风险的交互信息之前还包括：
根据所述用户的历史数据确定所述业务请求的静态风险值；
根据所述静态风险值确定所述业务请求的静态风险等级；
判断所述静态风险等级是否为指定风险等级，以根据判断结果向所述终端发送用于判定所述业务请求风险的交互信息。
在一个实施例中，所述交互信息包括是否类问题、选择题、问答题或填充题中的一种或多种。
在一个实施例中，所述历史数据包括：用户的基础信息、用户的历史交易信息、用户的社交数据、用户的关系型数据和/或所述终端的设备环境信息。
在一个实施例中，基于用户对所述交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的综合风险等级包括：
根据用户对所述交互信息的反馈结果确定所述用户的动态风险值；
根据所述用户的历史数据确定所述业务请求的静态风险值；
基于所述动态风险值以及所述静态风险值，确定所述业务请求的风险等级。
在一个实施例中，所述交互信息分为一个或多个层级，每个层级包括至少一条交互信息，向所述终端发送的下一层级的交互信息基于所述用户对上一层级的交互信息的反馈结果确定。
在一个实施例中，下一层级的交互信息的交互复杂程度高于上一层级的交互信息。
在一个实施例中，根据用户对所述交互信息的反馈结果确定所述用户的动态风险值包括：
根据用户对各层级交互信息的反馈结果以及预先设置的各层级的风险值计算规则确定各层级的风险值；
基于各层级的风险值确定所述动态风险值。
在一个实施例中，若所述用户选择放弃对其中一个或多个层级的交互信息的交互操作，则忽略被放弃的层级的风险值。
在一个实施例中，基于计算得到的风险等级以及所述业务请求的交易结果，从所述交互信息以及反馈结果中提取指定的交互信息和指定的反馈结果作为所述用户的历史数据。
上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本说明书装置的实施例可以应用在计算机设备上，例如服务器或智能终端。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本说明书装置所在计算机设备的一种硬件结构图，除了图4所示的处理器402、内存404、网络接口406、以及非易失性存储器408之外，实施例中装置所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应地，本说明书实施例还提供一种计算机存储介质，所述存储介质中存储有程序，所述程序被处理器执行时实现上述任一实施例中的方法。
相应地，本说明书实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例中的方法。
本申请可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可用存储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。
本说明书实施例还提供了一种风险识别系统，如图5a所示，所述风险识别系统包括交互模块51和风险确定模块52，在接收到用户通过终端提交的业务请求后，交互模块51会向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；风险确定模块52则基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
在一个实施例中，如图5b所示，风险确定模块52包括静态风险确定模块521、动态风险确定模块522以及组合风险确定模块523，静态风险确定模块521从风险数据库中获取用户的历史数据，根据用户的历史数据确定所述业务请求的静态风险值；动态风险确定模块522从交互模块中获取用户对交互信息的反馈结果，根据用户对所述交互信息的反馈结果确定所述业务请求的动态风险值；组合风险确定模块523从静态风险确定模块521和动态风险确定模块522获取静态风险值和动态风险值，根据所述静态风险值和所述动态风险值确定所述业务请求的风险等级。
本领域技术人员在考虑说明书及实践这里公开的说明书后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
Claims (14)
1.一种风险识别方法，所述方法包括：
当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
2.根据权利要求1所述的风险识别方法，向所述终端发送用于判定所述业务请求风险的交互信息之前还包括：
根据所述用户的历史数据确定所述业务请求的静态风险值；
根据所述静态风险值确定所述业务请求的静态风险等级；
判断所述静态风险等级是否为指定风险等级，以根据判断结果向所述终端发送用于判定所述业务请求风险的交互信息。
3.根据权利要求1所述的风险识别方法，所述交互信息包括是否类问题、选择题、问答题或填充题中的一种或多种。
4.根据权利要求1所述的风险识别方法，所述历史数据包括：用户的基础信息、用户的历史交易信息、用户的社交数据、用户的关系型数据和/或所述终端的设备环境信息。
5.根据权利要求1所述的风险识别方法，基于用户对所述交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的综合风险等级包括：
根据用户对所述交互信息的反馈结果确定所述用户的动态风险值；
根据所述用户的历史数据确定所述业务请求的静态风险值；
基于所述动态风险值以及所述静态风险值，确定所述业务请求的风险等级。
6.根据权利要求5所述的风险识别方法，所述交互信息分为一个或多个层级，每个层级包括至少一条交互信息，向所述终端发送的下一层级的交互信息基于所述用户对上一层级的交互信息的反馈结果确定。
7.根据权利要求6所述的风险识别方法，下一层级的交互信息的交互复杂程度高于上一层级的交互信息。
8.根据权利要求7所述的风险识别方法，根据用户对所述交互信息的反馈结果确定所述用户的动态风险值包括：
根据用户对各层级交互信息的反馈结果以及预先设置的各层级的风险值计算规则确定各层级的风险值；
基于各层级的风险值确定所述动态风险值。
9.根据权利要求8所述的风险识别方法，若所述用户选择放弃对其中一个或多个层级的交互信息的交互操作，则忽略被放弃的层级的风险值。
10.根据权利要求1所述的风险识别方法，基于计算得到的风险等级以及所述业务请求的交易结果，从所述交互信息以及反馈结果中提取指定的交互信息和指定的反馈结果作为所述用户的历史数据。
11.一种风险识别装置，所述风险识别装置包括：
发送模块，当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
风险确定模块，用于基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至10任意一项所述的方法。
13.一种风险识别系统，包括：
交互模块，用于当接收到用户通过终端提交的业务请求后，向所述终端发送用于判定所述业务请求风险的交互信息，并基于所述用户对已发送的交互信息的反馈结果确定后续发送的交互信息；
风险确定模块，用于基于用户对接收到的交互信息的反馈结果以及所述用户的历史数据，确定所述业务请求的风险等级。
14.根据权利要求13所述的风险识别系统，所述风险确定模块包括：
静态风险确定模块，用于根据用户的历史数据确定所述业务请求的静态风险值；
动态风险确定模块，用于根据用户对所述交互信息的反馈结果确定所述业务请求的动态风险值；
组合风险确定模块，用于根据所述静态风险值和所述动态风险值确定所述业务请求的风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910556534.5A CN110348704A (zh) | 2019-06-25 | 2019-06-25 | 风险识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910556534.5A CN110348704A (zh) | 2019-06-25 | 2019-06-25 | 风险识别方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348704A true CN110348704A (zh) | 2019-10-18 |
Family
ID=68183072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910556534.5A Pending CN110348704A (zh) | 2019-06-25 | 2019-06-25 | 风险识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348704A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353784A (zh) * | 2020-02-25 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种转账处理方法、系统、装置和设备 |
| CN111539741A (zh) * | 2020-05-15 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
| CN111539811A (zh) * | 2020-05-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 风险账户的识别方法及装置 |
| CN111580874A (zh) * | 2020-04-09 | 2020-08-25 | 深圳壹账通智能科技有限公司 | 数据申请的系统安全控制方法、系统和计算机设备 |
| CN111985810A (zh) * | 2020-08-19 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置及设备 |
| CN112001661A (zh) * | 2020-09-11 | 2020-11-27 | 支付宝(杭州)信息技术有限公司 | 一种风测等级更新的方法、装置、设备及介质 |
| CN113965413A (zh) * | 2021-11-23 | 2022-01-21 | 湖南快乐阳光互动娱乐传媒有限公司 | 风险识别方法及装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103237295A (zh) * | 2013-03-29 | 2013-08-07 | 北京和信锐智科技有限公司 | 显示电子消息的方法和移动终端 |
| CN104112229A (zh) * | 2014-06-09 | 2014-10-22 | 中国建设银行股份有限公司 | 一种交易信息交互装置、系统和方法 |
| CN105427479A (zh) * | 2015-11-04 | 2016-03-23 | 深圳先进技术研究院 | 一种人机交互atm安全管理系统及方法 |
| CN106131078A (zh) * | 2016-08-29 | 2016-11-16 | 联动优势科技有限公司 | 一种处理业务请求的方法及装置 |
| CN107172004A (zh) * | 2016-03-08 | 2017-09-15 | 中兴通讯股份有限公司 | 一种网络安全设备的风险评估方法和装置 |
| CN108876642A (zh) * | 2018-09-12 | 2018-11-23 | 北京精友世纪软件技术有限公司 | 一种车险理赔智能风控系统 |
| CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
| CN109064175A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种账户盗用风险防控方法及装置 |
-
2019
- 2019-06-25 CN CN201910556534.5A patent/CN110348704A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103237295A (zh) * | 2013-03-29 | 2013-08-07 | 北京和信锐智科技有限公司 | 显示电子消息的方法和移动终端 |
| CN104112229A (zh) * | 2014-06-09 | 2014-10-22 | 中国建设银行股份有限公司 | 一种交易信息交互装置、系统和方法 |
| CN105427479A (zh) * | 2015-11-04 | 2016-03-23 | 深圳先进技术研究院 | 一种人机交互atm安全管理系统及方法 |
| CN107172004A (zh) * | 2016-03-08 | 2017-09-15 | 中兴通讯股份有限公司 | 一种网络安全设备的风险评估方法和装置 |
| CN106131078A (zh) * | 2016-08-29 | 2016-11-16 | 联动优势科技有限公司 | 一种处理业务请求的方法及装置 |
| CN109064175A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种账户盗用风险防控方法及装置 |
| CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
| CN108876642A (zh) * | 2018-09-12 | 2018-11-23 | 北京精友世纪软件技术有限公司 | 一种车险理赔智能风控系统 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353784A (zh) * | 2020-02-25 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种转账处理方法、系统、装置和设备 |
| CN111580874A (zh) * | 2020-04-09 | 2020-08-25 | 深圳壹账通智能科技有限公司 | 数据申请的系统安全控制方法、系统和计算机设备 |
| CN111539741A (zh) * | 2020-05-15 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
| CN111539741B (zh) * | 2020-05-15 | 2023-02-24 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
| CN111539811A (zh) * | 2020-05-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 风险账户的识别方法及装置 |
| CN111539811B (zh) * | 2020-05-27 | 2022-06-14 | 支付宝(杭州)信息技术有限公司 | 风险账户的识别方法及装置 |
| CN111985810A (zh) * | 2020-08-19 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置及设备 |
| CN112001661A (zh) * | 2020-09-11 | 2020-11-27 | 支付宝(杭州)信息技术有限公司 | 一种风测等级更新的方法、装置、设备及介质 |
| CN112001661B (zh) * | 2020-09-11 | 2023-11-07 | 支付宝(杭州)信息技术有限公司 | 一种风测等级更新的方法、装置、设备及介质 |
| CN113965413A (zh) * | 2021-11-23 | 2022-01-21 | 湖南快乐阳光互动娱乐传媒有限公司 | 风险识别方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348704A (zh) | 风险识别方法、装置及系统 | |
| TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
| US11605305B2 (en) | Method, system, and computer-readable recording medium for providing education service based on knowledge units | |
| Weber et al. | Policy as myth and ceremony? The global spread of stock exchanges, 1980–2005 | |
| US11995645B2 (en) | Computer-implemented system and method for generating and extracting user related data stored on a blockchain | |
| Frey et al. | Technology at work v2. 0: The future is not what it used to be | |
| Guler et al. | Home country networks and foreign expansion: Evidence from the venture capital industry | |
| Ignatius et al. | A fuzzy decision support system for credit scoring | |
| Lin et al. | Judging borrowers by the company they keep: Friendship networks and information asymmetry in online peer-to-peer lending | |
| Sheppard | Participatory decision support for sustainable forest management: a framework for planning with local communities at the landscape level in Canada | |
| US20190102835A1 (en) | Artificial intelligence derived anonymous marketplace | |
| CN110163741A (zh) | 基于信贷风控模型的信贷决策方法、装置、设备及介质 | |
| Myovella et al. | Determinants of digitalization and digital divide in Sub-Saharan African economies: A spatial Durbin analysis | |
| CN109785117A (zh) | 基于神经网络的风控方法、计算机可读存储介质及服务器 | |
| CN107133865A (zh) | 一种信用分的获取、特征向量值的输出方法及其装置 | |
| CN110264330A (zh) | 信用指标计算方法、装置、计算机可读存储介质 | |
| Montano | Innovations of knowledge management | |
| CN111465953B (zh) | 基于交易分类账的账户间社会关系导出装置及方法 | |
| CN107705227A (zh) | 一种用于提供法律金融服务的网络系统 | |
| CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
| CN110060157A (zh) | 信誉度评估方法及系统 | |
| Bayram et al. | Application of reference class forecasting in Turkish public construction projects: contractor perspective | |
| Chiang | Financial capability and investment management of Chinese households: An application of hybrid item response theory | |
| CN107767278B (zh) | 社群层次结构构建方法和装置 | |
| CN112749261B (zh) | 数据处理方法、事项受理方法和装置 |
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: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman 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. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |