CN110675263A - 交易数据的风险识别方法以及装置 - Google Patents
交易数据的风险识别方法以及装置 Download PDFInfo
- Publication number
- CN110675263A CN110675263A CN201910925694.2A CN201910925694A CN110675263A CN 110675263 A CN110675263 A CN 110675263A CN 201910925694 A CN201910925694 A CN 201910925694A CN 110675263 A CN110675263 A CN 110675263A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- transaction
- buried point
- transaction data
- 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
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供交易数据的风险识别方法以及装置,其中所述交易数据的风险识别方法包括:通过采用埋点的方式获取用户的待识别埋点交易数据,并调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;然后将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序以实现所述待识别埋点交易数据和所述埋点操作数据的结合,再通过将结合后的所述待识别埋点交易数据和埋点操作数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别,最后根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
Description
技术领域
本说明书实施例涉及互联网技术领域,特别涉及一种交易数据的风险识别方法。本说明书一个或者多个实施例同时涉及一种交易数据的风险识别装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着信息技术的快速发展,互联网技术在用户的工作和生活中得到了广泛的应用。例如,越来越多的用户开始选择通过互联网进行通讯、通过互联网在线办理业务等。而目前在用户的生活以及工作中应用较广的则为在线支付、在线转账、在线交易等。
目前,安装在终端设备上的应用程序中,除了使用支付软件进行交易外,一些即时通讯软件也具备了在线交易功能,给人们的生活带来了很大的便利。但是,这也为一些线上非法行为提供了便利。例如,非法交易、欺诈交易、设备盗用交易等交易群体随之出现。由于互联网传播的广度和深度,这些群体的危害也会被扩大。尽管目前存在一些反欺诈应用程序,但是这些应用程序的数据分析模型通常较为单一,不能形成一个较为完备的反欺诈体系,且欺诈风险的识别不准确,识别率较低。并且利用传统的具有反欺诈数据的数据库对用户的交易数据进行风险识别的效率低下,不能满足现有的要求。因此,如何对用户的交易数据进行风险识别以提高其风险识别结果的准确性成为当前亟需解决的技术问题。
发明内容
有鉴于此,本说明书施例提供了一种交易数据的风险识别方法。本说明书一个或者多个实施例同时涉及一种交易数据的风险识别装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种交易数据的风险识别方法,包括:
获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;
其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
可选地,所述获取用户的待识别交易数据步骤执行之前,还包括:
获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
可选地,所述获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征,包括:
获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
可选地,所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据步骤执行之前,还包括:
向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则执行所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据。
可选地,所述风险识别模型通过以下方式进行训练:
获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
可选地,所述将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控步骤执行之后,还包括:
获取所述待识别埋点交易数据的实际风险结果;
判断所述风险识别结果与所述实际风险结果是否一致;
若否,则根据所述实际风险结果对所述待识别埋点交易数据进行风险标注处理;
基于所述待识别埋点交易数据以及所述待识别埋点交易数据的风险标注结果对所述风险识别模型进行模型优化。
可选地,所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据,包括:
确定所述待识别埋点交易数据的生成时间;
根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的所述埋点操作数据的生成时间所属的时间区间;
调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
可选地,所述对所述至少一个风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点,包括:
确定各个风险交易场景特征群中包含的目标风险场景特征;
将所述目标风险场景特征对应的目标页面或页面中的目标控件确定为待埋点的节点;
获取用于实现采集所述节点的埋点数据的埋点源文件;
将所述埋点源文件写入对应的模板中以编译生成与所述节点对应的埋点文件,记录所述节点的埋点配置信息并发布所述埋点文件以实现对所述目标风险场景对应的节点进行埋点。
可选地,若所述风险识别结果为所述待识别埋点交易数据存在风险,则相应的,所述根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控,包括:
采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
根据本说明书实施例的第二方面,提供了一种交易数据的风险识别装置,包括:
数据获取模块,被配置为获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
数据调用模块,被配置为调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
数据排序模块,被配置为将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
风险识别模块,被配置为将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
可选地,所述交易数据的风险识别装置,还包括:
特征确定模块,被配置为获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
埋点模块,被配置为对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
可选地,所述特征确定模块,包括:
风险标注处理子模块,被配置为获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
风险交易场景特征确定子模块,被配置为根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算子模块,被配置为计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
目标风险交易场景特征确定子模块,被配置为将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
可选地,所述交易数据的风险识别装置,还包括:
申请发送模块,被配置为向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
指令接收模块,被配置为接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则运行所述数据调用模块。
可选地,所述交易数据的风险识别装置,还包括:
历史埋点数据获取模块,被配置为获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
历史埋点数据排序模块,被配置为对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
历史埋点数据处理模块,被配置为对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
模型训练模块,被配置为将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
可选地,所述交易数据的风险识别装置,还包括:
实际风险结果获取模块,被配置为获取所述待识别埋点交易数据的实际风险结果;
判断模块,被配置为判断所述风险识别结果与所述实际风险结果是否一致;
若所述判断模块的执行结果为否,则运行风险标注处理模块;
所述风险标注处理模块,被配置为根据所述实际风险结果对所述待识别埋点交易数据进行风险标注处理;
模型优化模块,被配置为基于所述待识别埋点交易数据以及所述待识别埋点交易数据的风险标注结果对所述风险识别模型进行模型优化。
可选地,所述数据调用模块,包括:
数据生成时间确定子模块,被配置为确定所述待识别埋点交易数据的生成时间;
时间区间确定子模块,被配置为根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的所述埋点操作数据的生成时间所属的时间区间;
数据调用子模块,被配置为调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
可选地,所述埋点模块,包括:
风险场景特征群处理子模块,被配置为确定各个风险交易场景特征群中包含的目标风险交易场景特征;
节点确定子模块,被配置为将所述目标风险交易场景特征对应的目标页面或页面中的目标控件确定为待埋点的节点;
埋点源文件获取模块,被配置为获取用于实现采集所述节点的埋点数据的埋点源文件;
埋点子模块,被配置为将所述埋点源文件写入对应的模板中以编译生成与所述节点对应的埋点文件,记录所述节点的埋点配置信息并发布所述埋点文件以实现对所述目标风险交易场景对应的节点进行埋点。
可选地,若所述风险识别结果为所述待识别交易数据存在风险,则相应的,所述风险识别模块,包括:
风险防控子模块,被配置为采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;
其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现任意一项所述交易数据的风险识别方法的步骤。
本说明书一个实施例通过获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
本说明书一个实施例实现了将支付应用中的待识别埋点交易数据与风险防控应用中的埋点操作数据结合,并将结合后的数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别,通过这种风险识别方式,使得输入风险识别模型的数据更加多元化,并且通过将两个应用的数据结合,有利于提高对待识别埋点数据的风险识别结果的准确性,同时有利于提高待识别埋点交易数据的风险识别效率。
附图说明
图1是本说明书一个实施例提供的一种交易数据的风险识别方法的处理流程图;
图2是本说明书一个实施例提供的一种交易数据的风险识别方法的处理过程流程图;
图3是本说明书一个实施例提供的一种交易数据的风险识别装置的示意图;
图4是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中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一个或多个实施例。在本说明书一个或多个实施例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,本说明书一个或多个实施例中使用的术语“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,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,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,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。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”。
在本说明书中,提供了一种交易数据的风险识别方法,本说明书同时涉及一种交易数据的风险识别装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种交易数据的风险识别方法的流程图,包括步骤102至步骤108。
步骤102,获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据。
本说明书实施例的所述交易数据的风险识别方法应用于支付应用,通过将支付应用中用户的待识别交易数据与风险防控应用中的相关数据结合,并将结合后的数据输入预先训练的风险识别模型,以通过所述风险识别模型对所述待识别交易数据是否存在交易风险进行预测,并根据预测结果对所述待识别交易数据进行风险防控。
用户的待识别埋点交易数据即通过埋点的方式获取到的交易数据,若所述用户的交易类型为普通转账,则所述待识别埋点交易数据可以包括转账金额、转账支付方式(人脸识别支付、指纹识别支付、密码支付)、转账支出账户、转账收入账户、转账收入账户所述地区等数据。
其中,支付应用中用户的待识别交易数据以及风险防控应用中的相关数据均通过埋点的方式获取,因此,本说明书提供的一个实施例中,获取用户的待识别交易数据之前,需先进行埋点,具体可通过以下步骤实现:
获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
具体的,埋点之前,首先获取历史交易数据,确定历史交易数据中涉及的风险交易场景特征,并根据不同风险交易场景特征的占比确定目标风险交易场景特征,为保证所述目标风险交易场景确定结果的准确性,可获取多笔历史交易数据,若多笔历史交易数据中包含风险交易数据,则不同风险交易数据中涉及的风险交易场景特征可能不同,例如,风险交易数据F1中涉及的风险交易场景特征为人脸解锁失败,风险交易数据F2中涉及的风险交易场景特征为指纹支付失败,风险交易数据F3中涉及的风险交易场景特征为输入手机验证码;除此之外,所述风险场景特征还可以包括交易金额、资金转出账户或资金收入账户等。因此,本说明书实施例通过确定历史交易数据中风险交易数据所涉及的风险交易场景特征,并计算不同风险交易场景特征的占比确定目标风险交易场景特征,假设确定的目标风险场景特征为:特征1-人脸解锁失败、特征2-指纹支付交易失败以及特征3-输入手机验证码;确定目标风险交易场景特征后,对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
通过历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征,对目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并根据分类结果对所述至少一个风险场景特征群中各目标风险交易场景特征对应的节点进行埋点,获取埋点数据时,只获取所述目标风险交易场景特征对应的节点的埋点数据,有利于提高降低数据获取量,从而提高数据获取效率以及数据处理效率。
本说明书提供的一个实施例中,获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征,具体可通过以下步骤实现:
获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
具体的,为保证所述目标风险交易场景确定结果的准确性,可获取多笔历史交易数据,本说明书实施例以获取1000笔历史交易数据为例,获取历史交易数据后,对获取的历史交易数据进行风险标注处理,即根据历史交易数据中每笔历史交易数据的实际风险结果对每笔历史交易数据进行风险标注,通过标注结果来区分每笔历史交易数据是否为风险交易数据。
标注完成后,获取风险交易数据中所涉及的风险交易场景特征,假设1000笔历史交易数据中风险交易数据为200笔,而这200笔风险交易数据中有80笔风险交易数据中涉及的风险交易场景特征为特征1-人脸解锁失败,有50笔风险交易数据中涉及的风险交易场景特征为特征2-指纹支付交易失败,有70笔风险交易数据中涉及的风险交易场景特征为特征3-输入手机验证码,则根据计算可得,特征1的占比为80/200=0.4,特征2的占比为50/200=0.25,特征3的占比为70/200=0.35,若预设占比阈值为0.3,则将特征1-人脸解锁失败和特征3-输入手机验证码作为目标风险交易场景特征。
本说明书提供的一个实施例中,对所述至少一个风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点具体可通过以下步骤实现:
确定各个风险交易场景特征群中包含的目标风险场景特征;
将所述目标风险场景特征对应的目标页面或页面中的目标控件确定为待埋点的节点;
获取用于实现采集所述节点的埋点数据的埋点源文件;
将所述埋点源文件写入对应的模板中以编译生成与所述节点对应的埋点文件,记录所述节点的埋点配置信息并发布所述埋点文件以实现对所述目标风险场景对应的节点进行埋点。
具体的,埋点分析是网站分析的一种常用的数据采集方法。数据埋点分为初级、中级、高级三种方式。数据埋点是一种良好的私有化部署数据采集方式。通过在产品、服务转化关键点植入统计代码,据其独立标识确保数据采集不重复或通过在应用中植入多段代码,追踪用户在应用中每个界面上的系列行为,事件之间相互独立;再或者通过联合公司工程、ETL(Extract-Transform-Load,数据仓库技术)采集分析用户全量行为,建立用户画像,还原用户行为模型,作为产品分析、优化的基础均为埋点的方式。
本说明书实施例在确定目标风险交易场景特征后,需对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,沿用上例,确定的目标风险交易场景特征为特征1-人脸解锁失败和特征3-输入手机验证码,则可将特征1-人脸解锁失败分为设备盗用交易场景,将特征3-输入手机验证码分为欺诈交易场景,划分完风险交易场景特征群后,可对风险交易场景特征群中的目标风险交易场景特征对应的节点进行埋点,所述目标风险交易场景特征对应的节点即支付应用或风险防控应用中的目标页面或页面中的目标控件,若所述目标风险交易场景特征为交易金额,则所述目标风险交易场景特征对应的节点即为支付应用中用户在交易过程中弹出的金额输入页面,用户可在所述金额输入页面输入交易金额。确定待埋点的节点之后,获取该节点的埋点源文件,即实现获取该节点的埋点数据的源代码,将源代码写入对应的模板并编译生成埋点文件,埋点文件中包含可执行的程序代码,发布所述埋点文件即可实现在所述节点进行埋点。支付应用或风险防控应用可通过所述可执行的程序代码不断获取目标风险交易场景特征的埋点数据。
步骤104,调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据。
本说明书提供的一个实施例中,调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据具体可通过以下步骤实现:
确定所述待识别埋点交易数据的生成时间;
根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的所述埋点操作数据的生成时间所属的时间区间;
调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
具体的,若所述待识别埋点交易数据的生成时间即用户发起该笔待识别交易的时间为XX年XX月XX日10:05:00,且支付应用需调用所述待识别埋点交易数据的生成时间前后5min内的埋点操作数据,即若将待识别埋点交易数据的生成时间定义为T,则支付应用需调用的埋点操作数据的生成时间所属的预设时长范围为T±5min,因此可确定待调用的所述埋点操作数据的生成时间所属的时间区间为XX年XX月XX日10:00:00至10:10:00,则由支付应用调用所述风险防控应用中采用埋点方式获取到的所述至少一个风险交易场景特征群中生成时间属于XX年XX月XX日10:00:00至10:10:00的埋点操作数据。
另外,若所述用户对支付应用或所述风险防控应用的访问频率、信息查看频率满足预设条件,则还可通过获取所述待识别埋点交易数据的生成时间前后所述用户作用于所述支付应用和所述风险防控应用的N条埋点操作数据,其中,N可预先设置,且N为正整数。
本说明书实施例中所述埋点操作数据包括用户在支付应用和风险防控应用间切换的数据以及用户在所述支付应用和所述风险防控应用中的点击、浏览相关信息的数据。
本说明书实施例的所述调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据,即在实际应用中,可选择调用其中一个或多个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据,使得在调用埋点操作数据时,可以有选择性的调用而无需进行全量的数据调用,从而有利于提高数据获取效率以及提高数据处理效率。
本说明书提供的一个实施例中,调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据之前,还需获得所述风险防控应用的数据调用权限,具体可通过以下步骤实现:
向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则执行所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据。
具体的,本说明书实施例的所述交易数据的风险识别方法在具体实施时,需将支付应用与风险防控应用中的数据进行结合,因此支付应用需调用所述风险防控应用中的埋点数据,但是在调用埋点数据之前,支付应用还需先获取风险防控应用的数据调用权限,即由支付应用向所述风险防控应用发送开通埋点操作数据调用权限的申请,该申请中携带有所述支付应用的身份标识信息,在风险防控应用接收到该申请时,首先对所述支付应用的身份标识信息进行验证,根据验证结果生成授权信息更新指令并将所述更新指令返回至支付应用;在对所述支付应用的身份标识验证通过的情况下,即在所述授权信息更新指令中的授权结果为授权成功的情况下,则可调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;另外,若验证不通过即授权失败的情况下,则不做处理即可。
通过获取数据调用权限,将风险防控应用的数据与支付应用的数据结合,通过结合后的数据对用户的交易数据进行风险识别并进行风险防控,有利于提高风险识别的准确率,提高风险防控的成功率。
步骤106,将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序。
具体的,由于用户作用于支付应用和风险防控应用中的动作发生的先后顺序不同,则将所述动作对应的操作数据组合后输入风险识别模型获得的风险识别结果可能不同,因此需将所述动作对应的操作数据根据数据生成时间的先后顺序进行排序;另外,通过将支付应用于风险防控应用的埋点数据按时间先后顺序进行排序即实现了所述支付应用与所述风险防控应用间埋点数据的结合。通过将两个应用的数据结合,有利于提高对待识别埋点数据的风险识别结果的准确性,同时有利于提高待识别埋点交易数据的风险识别效率。
步骤108,将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
具体的,风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
本说明书提供的一个实施例中,所述风险识别模型通过以下方式进行训练:
获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
具体的,本说明书实施例的所述交易数据的风险识别方法可以应用于任何交易场景,以实现对任何交易场景中产生的交易数据进行风险识别。
通过本说明书实施例的风险识别模型的训练方法,以不同用户的历史交易数据、用户作用于风险防控应用中的历史埋点操作数据为训练样本来训练风险识别模型,从而实现用户的历史交易数据、用户作用于风险防控应用中的历史埋点操作数据之间的关联。并且,由于通过用户的历史交易数据、用户作用于风险防控应用中的历史埋点操作数据训练模型,使得在风险识别模型的使用过程中更能体现待识别埋点交易数据与埋点操作数据间的关联度。
具体的,训练得到所述风险识别模型之后,即可进入模型应用阶段,将待识别埋点交易数据输入所述风险识别模型即可判断所述待识别埋点交易数据是否存在风险。
本说明书实施例中,获取所述风险识别模型输出的风险识别结果之后,需判断所述风险识别结果包含的所述待识别埋点交易数据的风险值是否大于预设风险阈值;若是,则将所述待识别埋点交易数据确定为风险交易数据,并对所述待识别埋点交易数据进行风险防控。
具体的,假设输入所述风险识别模型的交易数据包括:交易类型-普通转账、交易金额-5000元、交易金额转出账户-账户Z1、交易金额收入账户-账户Z2、交易金额支付方式-获取验证码支付,所述风险识别模型输出的风险识别结果显示该笔交易的风险值为86%;若预设风险阈值为80%,则该笔交易的风险值大于预设风险阈值,表明该笔交易存在风险的可能性较高,则对所述交易数据进行风险防控;若该笔交易数据的风险值小于预设风险阈值,表明该笔交易存在风险的可能性较低,则不做处理即可。
具体实施时,以一笔交易为普通转账交易为例,该笔交易是否存在风险可通过交易金额的支付方式、交易金额值或交易金额收入账户来判断;例如:若用户的历史交易数据中的交易金额的支付方式一般为人脸识别支付,而该笔交易的支付方式为通过验证码支付,则可判断该笔交易可能存在交易风险;同理,若用户的历史交易数据中的每笔交易金额一般均小于1000元,而该笔交易中的交易金额为50000元,则可判断该笔交易可能存在交易风险;另外,还可通过判断交易金额的收入账户是否为高风险账户,从而判断该笔交易是否存在风险。
本说明书提供的一个实施例中,将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控步骤执行之后,还包括:
获取所述待识别埋点交易数据的实际风险结果;判断所述风险识别结果与所述实际风险结果是否一致;若否,则根据所述实际风险结果对所述待识别埋点交易数据进行风险标注处理;基于所述待识别埋点交易数据以及所述待识别埋点交易数据的风险标注结果对所述风险识别模型进行模型优化。
具体的,在所述风险识别模型训练完成后,若在模型的应用过程中出现所述风险识别模型对待识别埋点交易数据的风险识别结果与实际风险结果不一致的情况,则可根据所述待识别埋点数据以及所述实际风险结果对风险识别模型进行优化。
通过对所述风险识别模型进行优化,使得利用优化后的风险识别模型对待识别埋点数据进行风险识别获得的风险识别结果更加准确。
本说明书提供的一个实施例中,若所述风险识别结果为所述待识别埋点交易数据存在风险,则相应的,所述根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控,包括:
采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
本说明书一个实施例实现了将支付应用中的待识别埋点交易数据与风险防控应用中的埋点操作数据结合,并将结合后的数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别,通过这种风险识别方式,使得输入风险识别模型的数据更加多元化,并且通过将两个应用的数据结合,有利于提高对待识别埋点数据的风险识别结果的准确性,同时有利于提高待识别埋点交易数据的风险识别效率。
下述结合附图2,以本说明书提供的交易数据的风险识别方法在实际场景的应用为例,对所述交易数据的风险识别方法进行进一步说明。其中,图2示出了本说明书一个实施例提供的一种交易数据的风险识别方法的处理过程流程图,具体步骤包括步骤202至步骤222。
步骤202,采用埋点的方式获取用户U的待识别埋点交易数据。
本说明书实施例中,支付应用中用户的待识别交易数据以及风险防控应用中的相关数据均通过埋点的方式获取,因此,本说明书提供的一个实施例中,获取用户的待识别交易数据之前,需先进行埋点,具体可通过以下步骤实现:
获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
步骤204,向所述风险防控应用发送开通埋点操作数据调用权限的申请。
本说明书实施例中,所述申请中携带有支付应用的身份标识信息。
步骤206,接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令。
步骤208,判断是否授权成功,若是,则执行步骤210;若否,则不作处理即可。
本说明书实施例中,所述授权信息更新指令中包含对所述支付应用的数据调用授权结果;若所述授权结果为授权成功,则执行步骤210;若授权结果为授权失败,则不作处理即可。
步骤210,确定所述待识别埋点交易数据的生成时间。
步骤212,根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的埋点操作数据的生成时间所属的时间区间。
步骤214,调用风险防控应用中至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
本说明书实施例中,所述埋点操作数据为所述风险防控应用采用埋点的方式获取到的。
步骤216,将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序。
步骤218,将排序后的数据输入预先训练的风险识别模型进行风险识别。
步骤220,根据所述风险识别模型输出的风险识别结果判断所述待识别埋点交易数据是否存在风险;若是,则执行步骤222;若否,不做处理即可。
步骤222,采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
本说明书一个实施例实现了通过历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征,对目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并根据分类结果对所述至少一个风险场景特征群中各目标风险交易场景特征对应的节点进行埋点,获取埋点数据时,只获取所述目标风险交易场景特征对应的节点的埋点数据,有利于提高降低数据获取量,从而提高数据获取效率以及数据处理效率;
另外,将支付应用中的待识别埋点交易数据与风险防控应用中的埋点操作数据结合,并将结合后的数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别,通过这种风险识别方式,使得输入风险识别模型的数据更加多元化,并且通过将两个应用的数据结合,有利于提高对待识别埋点数据的风险识别结果的准确性,同时有利于提高待识别埋点交易数据的风险识别效率。
与上述方法实施例相对应,本说明书还提供了交易数据的风险识别装置实施例,图3示出了本说明书一个实施例提供的一种交易数据的风险识别装置的结构示意图。如图3所示,该装置包括:
数据获取模块302,被配置为获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
数据调用模块304,被配置为调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
数据排序模块306,被配置为将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
风险识别模块308,被配置为将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
可选地,所述交易数据的风险识别装置,还包括:
特征确定模块,被配置为获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
埋点模块,被配置为对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
可选地,所述特征确定模块,包括:
风险标注处理子模块,被配置为获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
风险交易场景特征确定子模块,被配置为根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算子模块,被配置为计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
目标风险交易场景特征确定子模块,被配置为将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
可选地,所述交易数据的风险识别装置,还包括:
申请发送模块,被配置为向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
指令接收模块,被配置为接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则运行所述数据调用模块。
可选地,所述交易数据的风险识别装置,还包括:
历史埋点数据获取模块,被配置为获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
历史埋点数据排序模块,被配置为对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
历史埋点数据处理模块,被配置为对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
模型训练模块,被配置为将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
可选地,所述交易数据的风险识别装置,还包括:
实际风险结果获取模块,被配置为获取所述待识别埋点交易数据的实际风险结果;
判断模块,被配置为判断所述风险识别结果与所述实际风险结果是否一致;
若所述判断模块的执行结果为否,则运行风险标注处理模块;
所述风险标注处理模块,被配置为根据所述实际风险结果对所述待识别埋点交易数据进行风险标注处理;
模型优化模块,被配置为基于所述待识别埋点交易数据以及所述待识别埋点交易数据的风险标注结果对所述风险识别模型进行模型优化。
可选地,所述数据调用模块,包括:
数据生成时间确定子模块,被配置为确定所述待识别埋点交易数据的生成时间;
时间区间确定子模块,被配置为根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的所述埋点操作数据的生成时间所属的时间区间;
数据调用子模块,被配置为调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
可选地,所述埋点模块,包括:
风险场景特征群处理子模块,被配置为确定各个风险交易场景特征群中包含的目标风险交易场景特征;
节点确定子模块,被配置为将所述目标风险交易场景特征对应的目标页面或页面中的目标控件确定为待埋点的节点;
埋点源文件获取模块,被配置为获取用于实现采集所述节点的埋点数据的埋点源文件;
埋点子模块,被配置为将所述埋点源文件写入对应的模板中以编译生成与所述节点对应的埋点文件,记录所述节点的埋点配置信息并发布所述埋点文件以实现对所述目标风险交易场景对应的节点进行埋点。
可选地,若所述风险识别结果为所述待识别交易数据存在风险,则相应的,所述风险识别模块,包括:
风险防控子模块,被配置为采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
本说明书一个实施例实现了将支付应用中的待识别埋点交易数据与风险防控应用中的埋点操作数据结合,并将结合后的数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别,通过这种风险识别方式,使得输入风险识别模型的数据更加多元化,并且通过将两个应用的数据结合,有利于提高对待识别埋点数据的风险识别结果的准确性,同时有利于提高待识别埋点交易数据的风险识别效率。
上述为本实施例的一种交易数据的风险识别装置的示意性方案。需要说明的是,该交易数据的风险识别装置的技术方案与上述的交易数据的风险识别方法的技术方案属于同一构思,交易数据的风险识别装置的技术方案未详细描述的细节内容,均可以参见上述交易数据的风险识别方法的技术方案的描述。
图4示出了根据本说明书一个实施例提供的一种计算设备400的结构框图。该计算设备400的部件包括但不限于存储器410和处理器420。处理器420与存储器410通过总线430相连接,数据库450用于保存数据。
计算设备400还包括接入设备440,接入设备440使得计算设备400能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备440可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备400的上述部件以及图4中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图4所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备400可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备400还可以是移动式或静止式的服务器。
其中,所述存储器410用于存储计算机可执行指令,所述处理器420用于执行所述计算机可执行指令:
获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;
其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的交易数据的风险识别方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述交易数据的风险识别方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现所述交易数据的风险识别方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的交易数据的风险识别方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述交易数据的风险识别方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (17)
1.一种交易数据的风险识别方法,包括:
获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;
其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
2.根据权利要求1所述的交易数据的风险识别方法,所述获取用户的待识别交易数据步骤执行之前,还包括:
获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
3.根据权利要求2所述的交易数据的风险识别方法,所述获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征,包括:
获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
4.根据权利要求1所述的交易数据的风险识别方法,所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据步骤执行之前,还包括:
向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则执行所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据。
5.根据权利要求4所述的交易数据的风险识别方法,所述风险识别模型通过以下方式进行训练:
获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
6.根据权利要求5所述的交易数据的风险识别方法,所述将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控步骤执行之后,还包括:
获取所述待识别埋点交易数据的实际风险结果;
判断所述风险识别结果与所述实际风险结果是否一致;
若否,则根据所述实际风险结果对所述待识别埋点交易数据进行风险标注处理;
基于所述待识别埋点交易数据以及所述待识别埋点交易数据的风险标注结果对所述风险识别模型进行模型优化。
7.根据权利要求1所述的交易数据的风险识别方法,所述调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据,包括:
确定所述待识别埋点交易数据的生成时间;
根据所述待识别埋点交易数据的生成时间以及预设时长范围确定待调用的所述埋点操作数据的生成时间所属的时间区间;
调用所述风险防控应用中采用埋点的方式获取到的所述至少一个风险交易场景特征群中生成时间属于所述时间区间的埋点操作数据。
8.根据权利要求2所述的交易数据的风险识别方法,所述对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点,包括:
确定各个风险交易场景特征群中包含的目标风险交易场景特征;
将所述目标风险交易场景特征对应的目标页面或页面中的目标控件确定为待埋点的节点;
获取用于实现采集所述节点的埋点数据的埋点源文件;
将所述埋点源文件写入对应的模板中以编译生成与所述节点对应的埋点文件,记录所述节点的埋点配置信息并发布所述埋点文件以实现对所述目标风险交易场景对应的节点进行埋点。
9.根据权利要求1所述的交易数据的风险识别方法,若所述风险识别结果为所述待识别埋点交易数据存在风险,则相应的,所述根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控,包括:
采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
10.一种交易数据的风险识别装置,包括:
数据获取模块,被配置为获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的待识别埋点交易数据;
数据调用模块,被配置为调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
数据排序模块,被配置为将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
风险识别模块,被配置为将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
11.根据权利要求10所述的交易数据的风险识别装置,还包括:
特征确定模块,被配置为获取历史交易数据,根据所述历史交易数据中不同风险交易场景特征的占比确定目标风险交易场景特征;
埋点模块,被配置为对所述目标风险交易场景特征进行分类生成至少一个风险交易场景特征群,并对所述风险交易场景特征群中包含的目标风险场景特征对应的节点进行埋点。
12.根据权利要求11所述的交易数据的风险识别装置,所述特征确定模块,包括:
风险标注处理子模块,被配置为获取历史交易数据并对所述历史交易数据进行风险标注处理,其中,所述风险标注用于区分所述历史交易数据是否为风险交易数据;
风险交易场景特征确定子模块,被配置为根据风险标注结果确定所述历史交易数据所涉及的风险交易场景特征;
计算子模块,被配置为计算风险交易场景特征占比,其中,所述风险交易场景特征占比为所述历史交易数据中涉及相同风险交易场景特征的风险交易笔数与总风险交易笔数的比值;
目标风险交易场景特征确定子模块,被配置为将占比大于预设占比阈值的风险交易场景特征确定为所述目标风险交易场景特征。
13.根据权利要求10所述的交易数据的风险识别装置,还包括:
申请发送模块,被配置为向所述风险防控应用发送开通埋点操作数据调用权限的申请,其中,所述申请中携带有支付应用的身份标识信息;
指令接收模块,被配置为接收所述风险防控应用返回的根据所述申请生成的授权信息更新指令;
在所述授权信息更新指令中的授权结果为授权成功的情况下,则运行所述数据调用模块。
14.根据权利要求13所述的交易数据的风险识别装置,还包括:
历史埋点数据获取模块,被配置为获取历史埋点数据,所述历史埋点数据中包括所述支付应用的历史埋点交易数据以及所述风险防控应用的历史埋点操作数据;
历史埋点数据排序模块,被配置为对所述历史埋点交易数据以及所述历史埋点操作数据按照数据生成时间的先后顺序进行排序;
历史埋点数据处理模块,被配置为对排序后的所述历史埋点数据进行风险标注处理,其中,所述风险标注用于区分所述历史埋点数据是否为风险交易数据;
模型训练模块,被配置为将所述历史埋点数据作为训练样本,并且将所述历史埋点数据对应的风险标注结果作为训练标签输入风险识别模型进行模型训练。
15.根据权利要求10所述的交易数据的风险识别装置,若所述风险识别结果为所述待识别交易数据存在风险,则相应的,所述风险识别模块,包括:
风险防控子模块,被配置为采用拦截所述待识别埋点交易数据,并向所述用户发送交易存在风险的提示信息的方式对所述待识别埋点交易数据进行风险防控。
16.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取用户的待识别交易数据,所述待识别交易数据中包含采用埋点的方式获取到的埋点交易数据;
调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据;
将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序;
将排序后的数据输入预先训练的风险识别模型进行风险识别,并根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控;
其中,所述风险交易场景特征群通过对目标风险场景特征进行分类生成,所述目标风险交易场景特征根据历史交易数据中不同风险交易场景特征的占比确定。
17.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至9任意一项所述交易数据的风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925694.2A CN110675263B (zh) | 2019-09-27 | 2019-09-27 | 交易数据的风险识别方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925694.2A CN110675263B (zh) | 2019-09-27 | 2019-09-27 | 交易数据的风险识别方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675263A true CN110675263A (zh) | 2020-01-10 |
CN110675263B CN110675263B (zh) | 2022-06-03 |
Family
ID=69079595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910925694.2A Active CN110675263B (zh) | 2019-09-27 | 2019-09-27 | 交易数据的风险识别方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949867A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 跨app的用户行为分析模型训练方法、分析方法及相关设备 |
CN113344104A (zh) * | 2021-06-23 | 2021-09-03 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及介质 |
CN114445088A (zh) * | 2022-01-13 | 2022-05-06 | 内蒙古蒙商消费金融股份有限公司 | 一种欺诈行为的判定方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316198A (zh) * | 2016-04-26 | 2017-11-03 | 阿里巴巴集团控股有限公司 | 账户风险识别方法及装置 |
CN206946557U (zh) * | 2017-03-24 | 2018-01-30 | 汉口银行股份有限公司 | 一种银行金融云服务平台 |
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 |
CN109063920A (zh) * | 2018-08-20 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法、装置、及计算机设备 |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN109327439A (zh) * | 2018-09-29 | 2019-02-12 | 武汉极意网络科技有限公司 | 业务请求数据的风险识别方法、装置、存储介质及设备 |
CN109471782A (zh) * | 2018-11-20 | 2019-03-15 | 北京芯盾时代科技有限公司 | 一种风险检测系统以及风险检测方法 |
-
2019
- 2019-09-27 CN CN201910925694.2A patent/CN110675263B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316198A (zh) * | 2016-04-26 | 2017-11-03 | 阿里巴巴集团控股有限公司 | 账户风险识别方法及装置 |
CN206946557U (zh) * | 2017-03-24 | 2018-01-30 | 汉口银行股份有限公司 | 一种银行金融云服务平台 |
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 |
CN109063920A (zh) * | 2018-08-20 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法、装置、及计算机设备 |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN109327439A (zh) * | 2018-09-29 | 2019-02-12 | 武汉极意网络科技有限公司 | 业务请求数据的风险识别方法、装置、存储介质及设备 |
CN109471782A (zh) * | 2018-11-20 | 2019-03-15 | 北京芯盾时代科技有限公司 | 一种风险检测系统以及风险检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949867A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 跨app的用户行为分析模型训练方法、分析方法及相关设备 |
CN113344104A (zh) * | 2021-06-23 | 2021-09-03 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及介质 |
CN114445088A (zh) * | 2022-01-13 | 2022-05-06 | 内蒙古蒙商消费金融股份有限公司 | 一种欺诈行为的判定方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110675263B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Roux et al. | Tax fraud detection for under-reporting declarations using an unsupervised machine learning approach | |
CN109522304B (zh) | 异常对象识别方法及装置、存储介质 | |
Daskalaki et al. | Data mining for decision support on customer insolvency in telecommunications business | |
CN110675263B (zh) | 交易数据的风险识别方法以及装置 | |
Moreau et al. | Detection of mobile phone fraud using supervised neural networks: A first prototype | |
CN111080440A (zh) | 大数据风控管理系统 | |
CN112837069B (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
Lekha et al. | Data mining techniques in detecting and predicting cyber crimes in banking sector | |
CN112307472A (zh) | 基于智能决策的异常用户识别方法、装置及计算机设备 | |
CN108989581B (zh) | 一种用户风险识别方法、装置及系统 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
CN111932130A (zh) | 业务类型识别方法及装置 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN111931189A (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN111127062A (zh) | 一种基于空间搜索算法的群体欺诈识别方法及装置 | |
CN116823428A (zh) | 一种反欺诈检测方法、装置、设备及存储介质 | |
CN109413047A (zh) | 行为模拟的判定方法、系统、服务器及存储介质 | |
CN112818868B (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
CN116186543B (zh) | 一种基于图像识别的财务数据处理系统及方法 | |
CN117113403A (zh) | 一种数据脱敏的方法、装置、电子设备及存储介质 | |
CN117036001A (zh) | 交易业务的风险识别处理方法、装置、设备及存储介质 | |
CN111639916A (zh) | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN110808978B (zh) | 实名认证方法以及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |