CN110533536A - 交易风险评估方法、装置和计算机系统 - Google Patents

Abstract

本公开提供了一种交易风险评估方法，包括：响应于调用方关于指定交易行为的评估请求，获取所述指定交易行为的交易信息；基于所述交易信息确定交易特征数据；利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果；以及将所述风险评估结果发送至所述调用方，以便所述调用方基于所述风险评估结果对所述指定交易行为执行操作。本公开还提供了一种交易风险评估装置和计算机系统。

Description

交易风险评估方法、装置和计算机系统

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种交易风险评估方法、装置和计算机系统。

背景技术

随着科学技术的不断发展，金融行业面临的交易风险压力与日俱增，传统银行主要通过各项交易欺诈案例形成交易欺诈风险判断规则。目前的规则策略主要是通过专家经验设置规则。该方式具有如下缺点：1、必须通过一定数量的欺诈案例，才容易发现欺诈规律；2、规则调整周期较长，不能随时应对瞬息万变的交易欺诈动态；3、该方式只能发现简单规律，随着特征数量的增加，难以发现深层次的规律特征。

发明内容

本公开的一个方面提供了一种交易风险评估方法，包括：响应于调用方关于指定交易行为的评估请求，获取指定交易行为的交易信息。然后基于该交易信息确定交易特征数据，再利用第一优化模型和第二优化模型处理该交易特征数据，以便确定指定交易行为的风险评估结果。最后将上述风险评估结果发送至调用方，以便调用方基于该风险评估结果对指定交易行为执行操作。

可选地，上述方法还包括：基于指定交易行为所属的类型进行服务资源分配。在此基础上，上述基于所述交易信息确定交易特征数据包括：基于所分配的服务资源确定交易特征数据。上述利用第一优化模型和第二优化模型处理所述交易特征数据包括：基于所分配的服务资源，利用第一优化模型和第二优化模型处理交易特征数据。

可选地，上述类型按照如下至少一项进行划分：客户维度、交易维度、以及渠道维度。上述服务资源包括如下至少一项：计算资源、服务节点、以及服务时间。

可选地，上述利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果包括：利用第一优化模型处理交易特征数据，得到第一评估结果。利用第二优化模型处理交易特征数据，得到第二评估结果。接着，对所述第一评估结果和所述第二评估结果进行多因子整合处理，得到上述风险评估结果。

可选地，上述将所述风险评估结果发送至所述调用方包括：将上述风险评估结果封装为调用方的预置格式，然后将封装后的风险评估结果发送至所述调用方。

可选地，第一优化模型为规则匹配模型，第二优化模型为机器学习模型。

可选地，上述方法还包括：获取样本数据。然后对样本数据进行标记，得到回标数据。接着基于所述回标数据配置匹配规则，得到第一优化模型，基于所述回标数据训练初始机器学习模型，得到第二优化模型。

可选地，上述方法还包括：响应于预定触发事件，获取更新样本数据。然后对所述更新样本数据进行标记，得到更新回标数据。接着基于所述更新回标数据，对所述第一优化模型和/或所述第二优化模型进行更新。

本公开的另一方面提供了一种交易风险评估装置，包括：获取模块、特征提取模块、处理模块、以及回传模块。获取模块用于响应于调用方关于指定交易行为的评估请求，获取所述指定交易行为的交易信息。特征提取模块用于基于所述交易信息确定交易特征数据。处理模块用于利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果。回传模块用于将所述风险评估结果发送至所述调用方，以便所述调用方基于所述风险评估结果对所述指定交易行为执行操作。

本公开的另一方面提供了一种计算机系统，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计算机程序时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，基于调用方的请求对指定交易行为进行风险评估，先从指定交易行为的交易信启、中提取出多个维度的交易特征数据，再利用两个不同类型的模型对交易特征数据进行处理，得到风险评估结果。由于该过程整合了不同模型的不同处理策略，且整合了不同维度的交易特征数据，从而能够更加客观、准确地分析出指定交易行为所具有的风险和漏洞。将风险评估结果回传至调用方，以使调用方能够对指定交易行为实施符合其安全性的干预操作，避免交易欺诈等恶性事件的发生。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1示意性示出了根据本公开实施例的应用交易风险评估方法和装置的示例性系统架构；

图2示意性示出了根据本公开实施例的交易风险评估方法的流程图；

图3示意性示出了根据本公开实施例的风险评估系统的示例示意图；

图4示意性示出了根据本公开实施例的图3所示服务对接装置2的示例示意图；

图5示意性示出了根据本公开实施例的图3所示特征工程装置3的示例示意图；

图6示意性示出了根据本公开实施例的图3所示模型管理装置4的示例示意图；

图7示意性示出了根据本公开实施例的图3所示样本标记装置5的示例示意图；

图8示意性示出了根据本公开实施例的图3所示数据整合装置6的示例示意图；

图9示意性示出了根据本公开实施例的图3所示评估优化装置7的示例示意图；

图10示意性示出了根据本公开实施例的图3所示风险评估系统提供服务的示例流程图；

图11示意性示出了根据本公开实施例的图3所示风险评估系统优化模型的示例流程图；

图12示意性示出了根据本公开实施例的交易风险评估装置的框图；以及

图13示意性示出了根据本公开实施例的适于实现交易风险评估方法的计算机系统的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种交易风险评估方法、装置以及计算机系统。该方法包括获取过程、特征提取过程、处理过程、以及回传过程。在获取过程，当接收到调用方关于指定交易行为的评估请求时，获取指定交易行为的交易信息。然后进行特征提供过程，基于交易信息确定交易特征数据。接着进行处理过程，利用第一优化模型和第二优化模型处理在特征提取过程所确定的交易特征数据，以便确定指定交易行为的风险评估结果。最后进行回传过程，将处理得到的风险评估结果发送至调用方，以供该调用方基于风险评估结果对指定交易行为执行操作。

图1示意性示出了根据本公开实施例的可以应用交易风险评估方法和装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103上可以安装有各种客户端应用，例如银行类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。终端设备101、102、103可以通过以上各种客户端应用与服务器105进行交互，以向服务器105发送各种请求或接收服务器105返回的结果。

终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信启、、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的交易风险评估方法一般可以由服务器105执行。相应地，本公开实施例所提供的交易风险评估装置一般可以设置于服务器105中。本公开实施例所提供的交易风险评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的交易风险评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实际需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的交易风险评估方法的流程图。

如图2所示，该方法可以包括以下操作S201～S204。

在操作S201，响应于调用方关于指定交易行为的评估请求，获取指定交易行为的交易信启、。

其中，交易信息可以包括与指定交易行为相关的一个或多个信息，例如可以包括：交易发起方和/或交易接收方的账户信息、交易类型、交易金额、交易渠道、交易时间等等，甚至还可以包括发起指定交易行为的设备的相关信息等，在此不做限制。

在操作S202，基于指定交易行为的交易信息确定交易特征数据。

其中，交易特征数据是能够从一个或多个数据维度描述指定交易行为的规则化数据形式，以便于后续进行风险评估。可以基于一种或多种特征加工策略将指定交易行为的交易信息转换为交易特征数据。对于指定交易行为的每个交易信息，可以从数据库中获取该交易信息的相关信息，然后根据该交易信息和/或该交易信息的相关信息，确定该交易信息的特征值。多个交易信息的特征值可以构建上述交易特征向量。例如，指定交易行为的一个交易信息为交易发起方的账户信息，从数据库中获取该账户信息在预定时间区间内所发起的交易行为的总数量，基于该总数量确定该交易信息的特征值。在其他例子中，可以采用其他特征加工策略，其原则即是将表示交易信息的字段转换为特征数据，在此不再赘述。对于具有不同特征分布的交易信息，其所采用的转换方式也可以是不同的。

在操作S203，利用第一优化模型和第二优化模型处理上述交易特征数据，以便确定指定交易行为的风险评估结果。

其中，第一优化模型和第二优化模型是预先配置的两个不同类型的模型。所确定的指定交易行为的风险评估结果可以包括如下至少一项：针对指定交易行为的风险评分、对于指定交易行为的风险等级划分、对于指定交易行为的干预方式等等，可以根据调用方的需要进行配置，在此不做限制。

在操作S204，将风险评估结果发送至调用方，以便调用方基于风险评估结果对指定交易行为执行操作。

其中，调用方基于风险评估结果对指定交易行为执行的操作可以是符合该风险评估结果的一些干预操作。例如，当风险评估结果表征指定交易行为具有高风险时，调用方可以拦截该指定交易行为，以使该指定交易行为不能顺利进行，或者，调用方可以向交易接收方推送提醒消息，以提示交易接收方注意核实该指定交易行为的安全性，防止发生交易欺诈等。与风险评估结果对应的操作可由根据调用方业务需求和实际经验进行设置，在此不做限制。

本领域技术人员可以理解，图2所示的方法基于调用方的请求对指定交易行为进行风险评估，先从指定交易行为的交易信息中提取出多个维度的交易特征数据，再利用两个不同类型的模型对交易特征数据进行处理，得到风险评估结果。由于该过程整合了不同模型的不同处理策略，且整合了不同维度的交易特征数据，从而能够更加客观、准确地分析出指定交易行为所具有的风险和漏洞。将风险评估结果回传至调用方，以使调用方能够对指定交易行为实施符合其安全性的干预操作，避免交易欺诈等恶性事件的发生。

在本公开的一个实施例中，根据本公开实施例的交易风险评估方法还可以包括：基于指定交易行为所属的类型进行服务资源分配。在此基础上，上述基于指定交易行为的交易信启、确定交易特征数据的过程例如可以是：基于所分配的服务资源确定交易特征数据。上述利用第一优化模型和第二优化模型处理交易特征数据的过程例如可以是：基于所分配的服务资源，利用第一优化模型和第二优化模型处理交易特征数据。示例性地，指定交易行为所属的类型可以按照如下至少一项进行划分：客户维度、交易维度、渠道维度等，服务资源可以包括如下至少一项：计算资源、服务节点、服务时间等。依据本实施例的技术方案，可以根据作为评估对象的指定交易行为的类型分配相应的服务资源以进行风险评估，避免服务资源不足或浪费，提高风险评估的效率。

在本公开的一个实施例中，利用第一优化模型和第二优化模型处理交易特征数据，以便确定指定交易行为的风险评估结果可以包括：一方面，利用第一优化模型处理交易特征数据，得到第一评估结果。另一方面，利用第二优化模型处理交易特征数据，得到第二评估结果。接着对上述第一评估结果和第二评估结果进行多因子整合处理，得到风险评估结果。例如，根据对第一优化模型和第二优化模型的偏重程度，分别设置第一权重和第二权重。基于该第一权重和第二权重，对第一评估结果和第二评估结果进行加权求和，得到风险评估结果。在其他例子中，也可以采用其他计算模型进行多因子整合处理，其原则是考虑到第一评估结果和第二评估结果，并根据实际需求为第一评估结果和第二评估结果分配相同或不同的偏重因子即可。

进一步地，在向调用方回传风险评估结果时，可以按照调用方所要求的格式进行回传。例如，上述将风险评估结果发送至调用方可以包括：将风险评估结果封装为调用方指定的预置格式，再将封装后的风险评估结果发送至调用方。

在本公开的一个实施例中，第一优化模型可以为规则匹配模型，第二优化模型可以为机器学习模型。根据本公开实施例的交易风险评估方法还可以包括第一优化模型的配置过程和第二优化模型的训练过程。例如，获取样本数据，对样本数据进行标记，得到回标数据。接着一方面基于回标数据配置匹配规则，得到第一优化模型。另一方面基于所述回标数据训练初始机器学习模型，得到第二优化模型。

进一步地，第一优化模型和第二优化模型在使用过程中也可以不断进行更新，以不断提升准确率。例如，根据本公开实施例的交易风险评估方法还可以包括：响应于预定触发事件，获取更新样本数据。然后对更新样本数据进行标记，得到更新回标数据。再基于更新回标数据，对第一优化模型和/或所述第二优化模型进行更新。上述更新过程基于预定触发事件而触发，该预定触发事件可以根据实际需要进行设置，在此不做限制。

图3示意性示出了根据本公开实施例的用于实现上述交易风险评估方法的风险评估系统的示例示意图。下面结合图2和图3对根据本公开实施例的交易风险评估方法进行示例性地说明。

如图3所示，示例性地，该系统可以包括：服务调用装置1、服务对接装置2、特征工程装置3、模型管理装置4、样本标记装置5、数据整合装置6、以及评估优化装置7。该系统用于提供针对交易行为的风险评估服务。

其中，调用方可以通过服务调用装置1发起关于指定交易行为的评估请求，该评估请求中可以携带指定交易行为的交易信息。服务调用装置1通过RPC(Remote ProcedureCall，远程过程调用)或批量文件的方式与服务对接装置2连接，用于向服务对接装置2传递评估请求，并接收服务对接装置2回传的风险评估结果。服务对接装置2用于将评估请求转发到特征工程装置3。特征工程装置3分别与服务对接装置2、模型管理装置4、以及数据整合装置6相连。特征工程装置3用于接收评估请求，并对评估请求中的交易信息进行特征提取，得到交易特征数据。例如，对于评估请求中的每个交易信息，特征工程装置3可以根据数据整合装置6中的特征加工配制参数以及预设的特征加工策略选择相应的特征加工模式。然后基于该特征加工模式对该交易信息进行加工，得到该交易信息的特征值。评估请求中所包含的全部交易信息的特征值构建得到上述交易特征数据。该交易特征数据可以一方面更新到数据整合装置6的历史特征数据中，另一方面可以直接传递给模型管理装置4进行下一步的评估分析处理。

模型管理装置4用于接收特征工程装置3传递的交易特征数据，并通过数据整合装置6获取模型运行的相关参数，选择对应的模型计算策略。所选择模型例如可以包括上文提到的第一优化模型和/或第二优化模型，通过所选择模型对交易特征数据进行处理，得到风险评估结果。利用所选择的模型处理得到的风险评估结果通过服务对接装置2返回至服务调用装置1，调用方通过服务调用装置1即可获知相应的风险评估结果，以根据该风险评估结果对指定交易行为进行干预操作。另一方面，利用所选择的模型处理得到的风险评估结果通过数据整合装置6更新到执行报表单元。样本标记装置5与数据整合装置6相连。负责模型训练的样本数据的更新，并通过数据整合装置6更新回标数据。数据整合装置6具有其他各部分所依赖数据的读取和存储能力。数据整合装置6中可以整合多个不同类型的数据库，如Oracle数据库、Hadoop数据库等，用于存储不同格式的数据。评估优化装置7通过数据整合装置6读取回标数据以及模型参数，对现有模型进行评估，并通过多样化的方式更新模型。评估优化装置7通过数据整合装置6更新模型策略参数，并同步更新模型管理装置4的模型参数。

为了便于理解本公开实施例的技术方案，下面分别对服务对接装置2、特征工程装置3、模型管理装置4、样本标记装置5、数据整合装置6、以及评估优化装置7的示例实施例进行详细说明。

图4示意性示出了根据本公开实施例的图3所示服务对接装置2的示例示意图。

如图4所示，服务对接装置2可以包括：服务连接单元21、安全监测单元22、调控单元23、服务参数单元24、以及服务回传单元25。

其中，服务连接单元21用于获取服务调用装置1的评估请求，该评估请求例如为RPC请求或者批量文件请求，建立服务连接通道，然后由安全监测单元22执行操作。安全监测单元22用于通过判断调用方签名等方式验证调用方的身份真实性，另外还可以针对评估请求进行安全扫描以验证评估请求的安全性。在上述验证均通过后可以由调控单元23执行操作。调控单元23用于中控服务访问的总体逻辑，通过服务参数信息进行服务资源分配，例如设置服务时间、计算资源大小、服务节点等分配等。其中服务参数信息是由服务参数单元24提前按客户维度、交易维度、渠道维度等设置的，供调控单元23在服务中使用。调控单元23根据服务资源的分配请求将评估请求传递至特征工程装置3，并等待接收模型管理装置4返回的风险评估结果，当收到风险评估结果后传递至服务回传单元25。服务回传单元25用于记录回传的风险评估结果，并将风险评估结果封装为调用方结果需求格式，并通过预设返回方式向调用方回传结果。

图5示意性示出了根据本公开实施例的图3所示特征工程装置3的示例示意图。

如图5所示，特征工程装置3可以包括：流式特征处理单元31、图特征处理单元32、以及历史特征处理单元33。例如可以根据评估请求中的交易信息的特征分布形式从以上三种特征处理单元选择一个或多个进行特征加工处理，将交易信息转换为交易特征数据。

其中，流式特征处理单元31用于通过特征加工参数，计算具有短周期的特征分布特点的交易信息的特征值。图特征处理单元32用于通过特征加工参数，计算具有大型关系网络特征分布特点的交易信息的特征值。历史特征处理单元33用于通过特征加工参数，计算具有长周期的特征分布特点的交易信息的特征值，例如一年内的长周期特征数据。由一个或多个特征值构建交易特征数据，将交易特征数据传递至模型管理装置4。

图6示意性示出了根据本公开实施例的图3所示模型管理装置4的示例示意图。

如图6所示，模型管理装置4可以包括模型计算单元41、模型参数单元42、模型决策单元43、以及多因子整合单元44。

其中，模型计算单元41用于接收模型决策单元43传递的特征变量以及执行模型参数，计算风险评估结果，并将该风险评估结果回传到模型决策单元43。例如，模型计算单元41整合规则匹配模型和机器学习模型。在利用模型对交易特征数据进行处理的过程中，规则匹配模型通过预设置的多条规则，进行逐条判断，最终获取命中风险规则的记录和对应风险值。机器学习模型可通过线性或非线性算法直接计算所有特征下的整体风险值。模型计算单元41通过模型参数选择执行的模型方式。模型参数单元42用于提前设置风险评估服务所需要用到的模型执行参数，即匹配规则和机器学习规则的执行策略，以及风险合并的多因子决策参数。模型决策单元43用于接收特征工程装置3传递的特征变量，并通过模型参数，分派到模型计算单元41进行结果计算，执行完成后通过多因子整合单元44整合得到风险评估结果，并将该风险评估结果返回至服务对接装置2。多因子整合单元44用于接收模型决策单元43的单项风险命中结果，通过多因子参数，计算最终的整合风险因子，并返回模型决策单元43。

图7示意性示出了根据本公开实施例的图3所示样本标记装置5的示例示意图。

如图7所示，样本标记装置5可以包括：智能外拨标记单元51、人工更正单元52、以及同业标记同步单元53。样本标记装置5可以通过以上三个单元中的一个或多个进行样本数据的实际风险状态的标记。

其中，智能外拨标记单元51用于根据近期预估的风险记录，自动周期性地发起的智能外拨探测，通过智能拨打客户电话确认疑点，经对话内容智能判断是否属于风险案例，回标记录风险状态。人工更正单元52用于根据近期预估的风险记录，通过人工发起的多渠道的风险确认，从而判断是否属于风险案例，回标记录风险状态。同业标记同步单元53用于根据同业周期的风险事件共享或互联网欺诈名单，通过多个特征维度(如：客户、账户、卡、相似地址等)关联现有交易数据，实现记录风险回标。

图8示意性示出了根据本公开实施例的图3所示数据整合装置6的示例示意图。

如图8所示，数据整合装置6可以包括：历史特征单元61、贴源数据单元62、回标数据单元63、执行报表单元64、以及样本切片单元65。

其中，历史特征单元61用于负责历史特征数据的读取和更新，支持特征工程装置3使用历史特征数据对交易信息进行特征加工。贴源数据单元62用于负责贴源数据(即原始交易信息)的读取，支持评估优化装置7使用贴源数据进行模型训练时使用。回标数据单元63用于负责回标数据的读取和更新，支持评估优化装置7进行模型评估时使用。执行报表单元64用于负责预估服务数据的明细维护和统计展示，支持模型管理装置4进行风险评估服务的相关数据存储。样本切片单元65用于负责模型训练时的基础数据使用策略，通过模型参数，提供数据周期切片，在评估优化装置7训练模型时提供数据访问工具。

图9示意性示出了根据本公开实施例的图3所示评估优化装置7的示例示意图。

如图9所示，评估优化装置7可以包括：模型评估单元71、机器学习训练单元72、以及模型更新单元73。

其中，模型评估单元71用于模型预估的各项执行指标的评估(包括准确率、召回率、F值等)，指导模型的调整。机器学习训练单元72用于机器学习模型的构建过程，需要数据整合装置6的贴源数据和回标数据的支撑，模型构建好后通过模型更新单元73进行模型更新。模型更新单元73在模型评估单元71的评估数据支撑下，可调整匹配规则模型的规则，或者也可调起机器学习训练单元72进行机器学习模型更新。模型更新后，可设置具体服务提供的模型版本，并同步到模型管理装置4和数据整合装置6。

图10示意性示出了根据本公开实施例的图3所示风险评估系统提供服务的示例流程图。

如图10所示，该风险评估系统提供风险评估服务的过程可以包括如下操作。

在操作S1001，服务调用装置1向风险评估系统发送评估请求。

在操作S1002，服务对接装置2对调用方进行身份权限认证，并在认证通过后提供服务资源调配，通过调控单元23调用特征工程装置3进行各项特征数据的加工，同时等待后续模型管理装置4中的模型决策单元43返回的计算的结果。

在操作S1003，特征工程装置3根据具体的特征参数加工配置分别调用流式特征处理单元31、图特征处理单元32、历史特征处理单元33，并将加工后的交易特征数据传递到模型管理装置4中进行模型评估计算。

在操作S1004，模型管理装置4中的模型决策单元43根据具体的模型策略参数调用模型计算单元41，分别计算匹配规则命中风险分布和机器学习风险评估值，然后调用多因子整合单元42，计算出综合风险评估值。

在操作S1005，数据整合装置6将风险评估服务相关的数据持久化，包括风险评估过程新增的特征数据、交易预估结果等。

在操作S1006，服务对接装置2将模型管理装置4返回的风险评估结果按照预定格式返回给对应的调用方。

图11示意性示出了根据本公开实施例的图3所示风险评估系统优化模型的示例流程图。

如图11所示，该模型优化过程可以包括如下操作。

在操作S1101，样本标记装置5可通过智能外拨标记单元51、人工更正单元52、同业标记同步单元53这三个单元中的一个或多个完成样本数据的交易欺诈真实状态的标记，即风险状态的标记，样本数据可以是历史数据。

在操作S1102，数据整合装置6周期性地将回标数据更新到回标数据单元63。

在操作S1103，评估优化装置7可以通过模型评估单元71将回标数据和历史评估数据结合起来，评估现有模型的优劣。同时可根据该评估指导业务人员使用模型更新单元73发起规则匹配模型和机器学习模型的调整。

在操作S1104，模型更新单元73会同步发起模型管理装置4中的模型参数单元42的模型版本更新。

综上所述，为解决传统反欺诈风险评估中的模型进化慢、模型无法捕捉深层规律的问题，根据本公开实施例的风险评估方案将反欺诈风险评估进行多方面策略的整合，根据交易风险环境灵活多变的现状，提供了多样的模型构造方式，给出了一个更连贯的模型管理、优化的体系。具有如下有益效果：

1、模型迭代加快。通过机器学习模型结合规则匹配模型发现交易信息深层规律，通过模型数据回标智能化、训练样本生成自动化等，减少规则更新过程和模型更新过程中的人为操作和干预。

2、资源统一视图。整合各类数据存储资源，降低数据使用成本、整合流式、图等特征处理技术，丰富特征加工方式。

图12示意性示出了根据本公开实施例的交易风险评估装置的框图。

如图12所示，该交易风险评估装置1200可以包括：获取模块1201、特征提取模块1202、处理模块1203、以及回传模块1204。

获取模块1201用于响应于调用方关于指定交易行为的评估请求，获取所述指定交易行为的交易信息。

特征提取模块1202用于基于所述交易信息确定交易特征数据。

处理模块1203用于利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果。

回传模块1204用于将所述风险评估结果发送至所述调用方，以便所述调用方基于所述风险评估结果对所述指定交易行为执行操作。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图13示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图13示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图13所示，根据本公开实施例的计算机系统1300包括处理器1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。处理器1301例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1301还可以包括用于缓存用途的板载存储器。处理器1301可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1303中，存储有系统1300操作所需的各种程序和数据。处理器1301、ROM1302以及RAM 1303通过总线1304彼此相连。处理器1301通过执行ROM 1302和/或RAM 1303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1302和RAM 1303以外的一个或多个存储器中。处理器1301也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统1300还可以包括输入/输出(I/O)接口1305，输入/输出(I/O)接口1305也连接至总线1304。系统1300还可以包括连接至I/O接口1305的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被处理器1301执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种交易风险评估方法，包括：

响应于调用方关于指定交易行为的评估请求，获取所述指定交易行为的交易信息；

基于所述交易信息确定交易特征数据；

利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果；以及

将所述风险评估结果发送至所述调用方，以便所述调用方基于所述风险评估结果对所述指定交易行为执行操作。

2.根据权利要求1所述的方法，还包括：基于所述指定交易行为所属的类型进行服务资源分配；

所述基于所述交易信息确定交易特征数据包括：基于所分配的服务资源确定交易特征数据；以及

所述利用第一优化模型和第二优化模型处理所述交易特征数据包括：基于所分配的服务资源，利用第一优化模型和第二优化模型处理所述交易特征数据。

3.根据权利要求2所述的方法，其中，所述类型按照如下至少一项进行划分：客户维度、交易维度、以及渠道维度，所述服务资源包括如下至少一项：计算资源、服务节点、以及服务时间。

4.根据权利要求1所述的方法，其中，利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果包括：

利用所述第一优化模型处理所述交易特征数据，得到第一评估结果；

利用所述第二优化模型处理所述交易特征数据，得到第二评估结果；以及

对所述第一评估结果和所述第二评估结果进行多因子整合处理，得到所述风险评估结果。

5.根据权利要求1所述的方法，其中，所述将所述风险评估结果发送至所述调用方包括：

将所述风险评估结果封装为所述调用方的预置格式；以及

将封装后的风险评估结果发送至所述调用方。

6.根据权利要求1所述的方法，其中，所述第一优化模型为规则匹配模型，所述第二优化模型为机器学习模型。

7.根据权利要求6所述的方法，还包括：

获取样本数据；

对所述样本数据进行标记，得到回标数据；

基于所述回标数据配置匹配规则，得到所述第一优化模型；以及

基于所述回标数据训练初始机器学习模型，得到所述第二优化模型。

8.根据权利要求7所述的方法，还包括：

响应于预定触发事件，获取更新样本数据；

对所述更新样本数据进行标记，得到更新回标数据；以及

基于所述更新回标数据，对所述第一优化模型和/或所述第二优化模型进行更新。

9.一种交易风险评估装置，包括：

获取模块，用于响应于调用方关于指定交易行为的评估请求，获取所述指定交易行为的交易信息；

特征提取模块，用于基于所述交易信息确定交易特征数据；

处理模块，用于利用第一优化模型和第二优化模型处理所述交易特征数据，以便确定所述指定交易行为的风险评估结果；以及

回传模块，用于将所述风险评估结果发送至所述调用方，以便所述调用方基于所述风险评估结果对所述指定交易行为执行操作。

10.一种计算机系统，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计算机程序时用于实现如权利要求1～8任一项所述的交易风险评估方法。