CN110796450B - 可信关系处理方法以及装置 - Google Patents
可信关系处理方法以及装置 Download PDFInfo
- Publication number
- CN110796450B CN110796450B CN201911063313.0A CN201911063313A CN110796450B CN 110796450 B CN110796450 B CN 110796450B CN 201911063313 A CN201911063313 A CN 201911063313A CN 110796450 B CN110796450 B CN 110796450B
- Authority
- CN
- China
- Prior art keywords
- service
- subject
- trusted
- relationship pair
- user
- 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.)
- Active
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供可信关系处理方法以及装置,其中,所述可信关系处理方法包括:确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
Description
技术领域
本说明书实施例涉及数据处理技术领域,特别涉及一种可信关系处理方法、一种可信关系处理装置、一种计算设备以及一种计算机可读存储介质。
背景技术
随着互联网技术的飞速发展,基于互联网技术的移动支付的应用也越来越广泛,但移动支付在为用户提供方便的同时,其面临的支付安全考验也越来越严重。通常,用户在支付过程中如果发现异常,会向当前进行支付的支付平台进行申请报案处理,由支付平台对用户申请的线上交易进行风险核验,并根据风险核验结果进入相应的管控流程,对用户申请的线上交易进行风险核验主要是依赖用户的历史支付数据,对于新用户或者历史支付数据较少的用户,风险核验存在的难度较大。
发明内容
有鉴于此,本说明书实施例提供了一种可信关系处理方法,以解决现有技术中存在的技术缺陷。本说明书一个或者多个实施例同时提供了一种可信关系处理装置,一种计算设备,以及一种计算机可读存储介质。
本说明书一个实施例提供一种可信关系处理方法,包括:
确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;
根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
可选的,所述在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对步骤执行之后,包括:
将所述业务用户的可信关系对部署在所述业务点;
在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二风险级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
可选的,所述确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据,包括:
根据所述业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述业务点在所述主客体关系对的业务特征数据。
可选的,所述可信预测模型,采用如下方式训练获得:
根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
可选的,所述主客体关系对的可信覆盖率,包括满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值。
可选的,所述负样本包括所述历史业务数据中由业务用户提出报案且确认非业务用户本人操作的数据样本;
所述正样本包括所述历史业务数据中除所述负样本之外的数据样本。
可选的,所述主客体关系对的可信特征阈值,通过求解最优化问题确定;
所述最优化问题的目标函数包括:
其中,X1、X2、···Xn为所述业务点的历史业务数据在各个主客体关系对的特征数据,M1、M2、···Mn为所述业务点的各个主客体关系对的可信特征阈值;
所述最优化问题的约束条件为:
可选的,所述确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据步骤执行之前,包括:
基于可信主体与可信客体构建所述主客体关系对。
本说明书一个实施例还提供一种可信关系处理装置,包括:
业务特征数据确定模块,被配置为确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
可信覆盖率预测模块,被配置为通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;
可信特征阈值确定模块,被配置为根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
可信关系对确定模块,被配置为在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
可选的,所述可信关系处理装置,还包括:
可信关系对部署模块,被配置为将所述业务用户的可信关系对部署在所述业务点;
业务请求判断模块,被配置为在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二风险级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
可选的,所述可信预测模型,通过运行如下模块训练获得:
数据准备模块,被配置为根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
模型训练模块,被配置为将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
本说明书一个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:
确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;
根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
本说明书一个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可信关系处理方法的步骤。
本说明书一个实施例在预先训练获得的可信预测模型的基础上,借助所述可信预测模型实现对业务点的可信覆盖率进行预测,并根据预测获得的所述主客体关系对的可信覆盖率预测,结合所述业务点的业务用户在所述主客体关系对的用户特征数据以及所述业务点的正样本和负样本确定所述主客体关系对的可信特征阈值,最终以所述可信特征阈值作为确定可信关系对的依据,以此确定的可信关系对更加合理且更加精准,同时,利用确定的可信关系对针对业务用户提交的业务请求进行的业务风险防控也更具针对性。
附图说明
图1是本说明书实施例提供的一种可信关系处理方法处理流程图;
图2是本说明书实施例提供的一种应用于线上交易场景的可信关系处理方法处理流程图;
图3是本说明书实施例提供的一种可信关系处理装置的示意图;
图4是本说明书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”。
本说明书一个实施例提供一种可信关系处理方法,本说明书一个或者多个实施例还提供一种可信关系处理装置,一种计算设备,以及一种计算机可读存储介质。以下分别结合本说明书提供的实施例的附图逐一进行详细说明,并且对方法的各个步骤进行说明。
本说明书提供的一种可信关系处理方法实施例如下:
参照附图1,其示出了本说明书实施例提供的一种可信关系处理方法处理流程图,参照附图2,其示出了本说明书实施例提供的一种应用于线上交易场景的可信关系处理方法处理流程图。
步骤S102,确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据。
在风险防控领域,可信关系对交易往往被用于进行初步筛选,例如在支付风险防控领域,使用支付账户作为可信主体、使用环境信息(比如,终端设备、IP地址)等作为可信客体构建可信关系对(比如,支付账户+终端设备,支付账户+IP地址),对于一笔线上交易,满足或不满足可信关系对会对应不同的风险等级,从而进入不同的风险管控流程。
在业务开展时间较长或者业务数据量积累较大的业务点(比如,业务站点、业务节点、业务域等)中进行风险管控的过程中,需要先从业务出发确定合理的可信特征阈值,并在可信特征阈值的基础上进一步确定进行风险防控所需的可信关系对,最终利用可信关系在业务开展过程中对业务用户提交的业务请求进行风险防控。但实际应用中,对于业务开展时间较短的业务点或者业务数据量积累较少的业务点,由于其业务数据积累较少,很难基于历史的业务经验来确定相应的可信特征阈值,从而也无法确定进行风险防控所需的可信关系对。
本实施例提供的可信关系处理方法,在根据历史业务点的业务特征数据训练获得的可信预测模型的基础上,利用可信预测模型预测主客体关系对的可信覆盖率预测,并进一步结合业务点的业务特征数据确定对业务用户提交的业务请求进行可信判定的可信关系对,从而在可信体系下实现业务风险防控。
本申请实施例所述主客体关系对,是指以业务数据特征中至少一种类型的业务数据特征作为可信主体,并以业务数据特征中至少一种类型的业务数据特征作为可信客体构建的主客体关系对。
具体实施时,在确定所述业务点的主客体关系对的业务特征数据之前,还需基于可信主体与可信客体构建所述主客体关系对,从而通过构建主客体关系对使在业务点进行的风险防控所涉及的业务特征规范化。例如,在线上交易场景中,将业务站点上进行线上交易生成的线上交易数据当中的支付账户或者银行卡作为可信主体,并将线上交易数据中进行线上交易的终端设备、IP地址或者银行卡作为可信客体,以此构建的主客体关系对包括如下2对:支付账户(可信主体)+银行卡(可信客体),以及,银行卡(可信主体)+终端设备(可信客体)。
所述主客体关系对的业务特征数据,是指所述主客体关系对中包含的可信主体和可信客体的在业务层面的特征数据。以线上交易场景为例,可信主体的业务特征数据包括可信主体平均交易的可信客体数、可信主体取值缺失率等。可信客体的业务特征数据包括可信客体平均交易的可信主体数、可信客体平均交易数、可信客体取值缺失率(比如IP地址或者中终端设备信息取值为空)等。主客体关系对的业务特征数据包括主客体关系对上的平均交易数。
本实施例提供的一种可选实施方式中,所述主客体关系对的业务特征数据,具体采用如下方式确定:
根据所述业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述业务点在所述主客体关系对的业务特征数据,从而通过业务点上各个业务用户的特征数据的均值计算实现对主客体关系对的业务特征数据更加精准的表示。
例如,在线上交易场景中,对于开展业务时间较短或者业务数据积累较少的业务站点A(新业务站点),其上的主客体关系对有两对:支付账户(可信主体)+银行卡(可信客体)这一主客体关系对,以及银行卡(可信主体)+终端设备(可信客体)这一主客体关系对;
具体的,业务站点A的支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的业务特征数据,包括业务站点A在支付账户+银行卡这一维度的平均交易数,以及业务站点A在银行卡+终端设备这一维度的平均交易数;其中,业务站点A在支付账户+银行卡这一维度的平均交易数,等于业务站点A中所有业务用户在支付账户+银行卡这一维度的交易数平均值;业务站点A在银行卡+终端设备这一维度的平均交易数,等于业务站点A中所有业务用户在银行卡+终端设备这一维度的交易数平均值。
步骤S104,通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测。
本实施例所述可信预测模型,通过输入所述主客体关系对的业务特征数据,对所述主客体关系对的可信覆盖率进行预测,输出所述主客体关系对的可信覆盖率预测。
具体实施时,在利用所述可信预测模型对所述主客体关系对的可信覆盖率进行预测之前,需进行模型构建并对构建的模型进行训练以获得所述可信预测模型。本实施例提供的一种可选实施方式中,所述可信预测模型采用如下方式进行训练:
1)根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
其中,所述主客体关系对的可信覆盖率,是指满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值;
2)将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
例如,在线上交易场景中,基于开展业务时间较长的成熟业务站点B的历史交易数据进行模型构建和训练,具体的,模型构建时可采用线性回归、逻辑回归、随机森林回归等回归模型进行模型构建,在完成模型构建之后进行模型训练,模型训练过程包括以下3个环节:
(a)抽取成熟业务站点B的历史交易数据,在此基础上分别计算成熟业务站点B已运行的两个主客体关系对的可信覆盖率。
成熟业务站点B上运行的两个主客体关系对为支付账户(可信主体)+银行卡(可信客体)以及银行卡(可信主体)+终端设备(可信客体)这两个主客体关系对。
其中,支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的可信覆盖率,等于成熟业务站点B上满足该主客体关系对的线上交易的交易数与成熟业务站点B上的全部线上交易数的比值;具体运行过程中,满足该主客体关系对的线上交易是指成熟业务站点B上的用户进行线上交易的支付账户和银行卡均可信的线上交易。
类似的,银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的可信覆盖率,等于成熟业务站点B上满足该主客体关系对的交易数与成熟业务站点B上的所有交易数的比值;具体运行过程中,满足该主客体关系对的线上交易是指成熟业务站点B上的用户进行线上交易的银行卡和终端设备均可信的线上交易。
(b)计算成熟业务站点B上已运行的两个主客体关系对的平均交易数(业务特征数据)。
首先,分别统计成熟业务站点B上每个业务用户在支付账户(可信主体)+银行卡(可信客体)、银行卡(可信主体)+终端设备(可信客体)这两个主客体关系对的交易数。
然后,计算出成熟业务站点B上所有业务用户在支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的交易数的平均值,即为成熟业务站点B的支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的平均交易数;以及,计算出成熟业务站点B上所有业务用户在银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的交易数的平均值,即为成熟业务站点B的银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的平均交易数。
(c)将成熟业务站点B的主客体关系对的平均交易数与实际的可信覆盖率作为训练样本,对预先构建的初始可信预测模型进行有监督训练,训练完成之后即获得可信预测模型。
具体的,在训练过程中,初始可信预测模型的输入参数为主客体关系对的平均交易数,初始可信预测模型基于输入的平均交易数对主客体关系对的可信覆盖率进行预测,输出主客体关系对的可信覆盖率的预测值,然后通过将初始可信预测模型输出的可信覆盖率的预测值与实际的可信覆盖率进行比较对初始可信预测模型的参数进行调整,从而实现对初始可信预测模型的训练,最终在训练完成之后获得可信预测模型。
本实施例中,借助历史业务点的历史业务数据训练所述可信预测模型,并在训练获得的所述可信预测模型的基础上对所述业务点的主客体关系对的可信覆盖率进行预测,具体是通过将所述业务点的主客体关系对的业务特征数据输入训练获得的所述可信预测模型,并最终输出所述业务点的主客体关系对的可信覆盖率预测。
步骤S106,根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值。
本实施例所述用户特征数据,是指所述业务点的业务用户以往进行交易生成的特征数据,比如业务用户最近一次交易时间的间隔,业务用户的历史交易数,业务用户每日的交易金额等。
相应的,所述业务用户在所述主客体关系对的用户特征数据,是指所述业务点的业务用户在所述业务点的主客体关系对维度下的特征数据。
例如,线上交易场景中的业务站点A,其主客体关系对包括支付账户(可信主体)+银行卡(可信客体)、银行卡(可信主体)+终端设备(可信客体)这两对,业务用户在支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的用户特征数据,是指业务用户在支付账户(可信主体)+银行卡(可信客体)这一维度的交易数;业务用户在银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的用户特征数据,是指业务用户在银行卡(可信主体)+终端设备(可信客体)这一维度的交易数。
实际应用中,以线上交易场景为例,如果业务点的业务用户的支付账户被盗用或者在进行线上交易过程中或者交易之后存在交易风险,可通过提出报案的方式来进行风险处理,具体在报案过程中,需要提出报案的业务用户确认提出报案的交易是否为业务用户本人操作的交易过程,以便更加精准的进行交易风险处理。本实施例中,在将所述业务点的历史业务数据看作数据样本的基础上,将所述业务点的数据样本中由所述业务点的业务用户提出报案且在提出报案后确认非业务用户本人操作的数据样本标记为所述负样本,并将所述业务点的数据样本中除所述负样本之外剩余的数据样本标记为所述正样本。
具体实施时,根据上述步骤S104基于所述可信预测模型进行可信预测后输出的所述主客体关系对的可信覆盖率预测,结合所述业务用户在所述主客体关系对的用户特征数据以及对所述历史业务数据标记获得的所述正样本和所述负样本,共同来确定所述业务点的各个主客体关系对的可信特征阈值。
需要说明的是,所述主客体关系对的可信特征阈值是判定所述主客体关系对是否可信的判定依据,具体的,针对所述业务点的任意一个业务用户而言,如果该业务用户在某主客体关系对维度下的用户特征数据大于或者等于这一主客体关系对的可信特征阈值,则表明该业务用户的用户特征数据满足这一主客体关系对,即该业务用户的用户特征数据在这一主客体关系对维度下是可信的,则将这一主客体关系对称之为该业务用户的可信关系对;
反之,如果该业务用户在某主客体关系对维度下的用户特征数据小于这一主客体关系对的可信特征阈值,则表明该业务用户的用户特征数据不满足这一主客体关系对,即该业务用户的用户特征数据在这一主客体关系对维度下是不可信的。
由此可见,所述主客体关系对的可信特征阈值的确定对区分业务是否存在风险至关重要,为使可信特征阈值的确定更加准确,并在可信特征阈值的基础上通过判定业务用户的用户特征数据是否可信来更加精准和更加有效地进行业务风险区分,本实施例提供的一种可选实施方式中,通过求解最优化问题来确定所述主客体关系对的可信特征阈值。
具体的,所述最优化问题的目标函数为:
其中,X1、X2、···Xn为所述业务点的历史业务数据中每一笔业务在各个主客体关系对的特征数据,M1、M2、···Mn为所述业务点的各个主客体关系对的可信特征阈值;
所述最优化问题的约束条件为:
在求解上述最优化问题时,可采用遗传算法、PSO(Particle SwarmOptimization)算法等求解方法来求解所述最优化问题,求解后获得所述业务点的各个主客体关系对的可信特征阈值,从而为后续区分所述主客体关系对相对于所述业务点的业务用户是否可信提供依据。
步骤S108,在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
上述确定所述业务点的主客体关系对的可信特征阈值之后,基于确定的所述业务点的主客体关系对的可信特征阈值,进一步确定所述业务点的主客体关系对相对于所述业务点的各个业务用户是否可信,本实施例通过将所述业务用户在所述主客体关系对的用户特征数据与所述主客体关系对的可信特征阈值进行比较,来确定所述主客体关系对相对于所述业务点的业务用户是否可信,以此确定的所述可信关系对更加合理;
具体的,针对所述业务点的任意一个业务用户以及所述业务点的任意一个主客体关系对,如果该业务用户在这一主客体关系对的用户特征数据小于这一主客体关系对的可信特征阈值,则表明该业务用户的用户特征数据不满足这一主客体关系对,即该业务用户的用户特征数据在这一主客体关系对维度下是不可信的;
如果该业务用户在这一主客体关系对的用户特征数据大于或者等于这一主客体关系对的可信特征阈值,则表明该业务用户的用户特征数据满足这一主客体关系对,即该业务用户的用户特征数据在这一主客体关系对维度下是可信的,则将这一主客体关系对称之为该业务用户的可信关系对;依次类推,确定所述业务点的每个业务用户的可信关系对。
基于此,在确定所述业务点的每个业务用户的可信关系对之后,所述业务用户的可信关系对会用于后续对所述业务用户提交的业务请求进行可信判定,即:对所述业务用户提交的业务请求进行风险识别,从而借助所述可信关系对实现对所述业务用户提交的业务请求的风险识别。本实施例提供一种可选实施方式中,对所述业务点的业务用户提交的业务请求进行风险识别具体采用如下方式实现:
首先,将所述业务用户的可信关系对部署在所述业务点;然后,在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二风险级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
例如,在线上交易场景中,确定业务站点A中业务用户User 1的可信关系为支付账户(可信主体)+银行卡(可信客体)以及银行卡(可信主体)+终端设备(可信客体)这两个主客体关系对;
首先将业务用户User 1的上述两个可信关系对部署在业务站点A上,此后在接收到业务用户User 1提交的交易请求时,判断业务用户User 1提交的交易请求中携带的用户特征数据是否满足业务用户User 1的上述两个可信关系对,若判断结果为不满足,则表明业务用户User 1提交的交易请求在上述两个可信关系对中至少一个维度下的可信程度较低,该交易请求为风险交易的可能性较高,需对该交易请求进强校验;
类似的,确定业务站点A中业务用户User 2的可信关系为支付账户(可信主体)+银行卡(可信客体)这一主客体关系对;首先将业务用户User 2的支付账户(可信主体)+银行卡(可信客体)这一可信关系对部署在业务站点A上,此后在接收到业务用户User 2提交的交易请求时,判断业务用户User 2提交的交易请求中携带的用户特征数据是否满足业务用户User 2的可信关系对,若判断结果为满足,则表明业务用户User 2提交的交易请求在其可信关系对维度下的可信程度较高,该交易请求为风险交易的可能性较低,对该交易请求进行弱校验即可。
下述结合附图2,以本实施例提供的可信关系处理方法在线上交易场景中的应用为例,对本实施例提供的可信关系处理方法进行进一步说明。参照附图2,应用于所述线上交易场景的可信关系处理方法具体包括步骤S202至步骤S224:
步骤S202,基于可信主体与可信客体构建主客体关系对。
具体构建的主客体关系对有两对:支付账户(可信主体)+银行卡(可信客体)这一主客体关系对,以及银行卡(可信主体)+终端设备(可信客体)这一主客体关系对。
步骤S204,抽取成熟业务站点B的历史交易数据,并计算成熟业务站点B已运行的两个主客体关系对的可信覆盖率。
成熟业务站点B上运行的两个主客体关系对为支付账户(可信主体)+银行卡(可信客体)以及银行卡(可信主体)+终端设备(可信客体)这两个主客体关系对。
其中,支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的可信覆盖率,等于成熟业务站点B上满足该主客体关系对的线上交易的交易数与成熟业务站点B上的全部线上交易数的比值;具体运行过程中,满足该主客体关系对的线上交易是指成熟业务站点B上的用户进行线上交易的支付账户和银行卡均可信的线上交易。
类似的,银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的可信覆盖率,等于成熟业务站点B上满足该主客体关系对的交易数与成熟业务站点B上的所有交易数的比值;具体运行过程中,满足该主客体关系对的线上交易是指成熟业务站点B上的用户进行线上交易的银行卡和终端设备均可信的线上交易。
步骤S206,计算成熟业务站点B上已运行的两个主客体关系对的业务特征数据。
首先,分别统计成熟业务站点B上每个业务用户在支付账户(可信主体)+银行卡(可信客体)、银行卡(可信主体)+终端设备(可信客体)这两个主客体关系对的交易数;
然后,计算出成熟业务站点B上所有业务用户在支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的交易数的平均值,即为成熟业务站点B的支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的平均交易数;以及,计算出成熟业务站点B上所有业务用户在银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的交易数的平均值,即为成熟业务站点B的银行卡(可信主体)+终端设备(可信客体)这一主客体关系对的平均交易数,作为这两个主客体关系对的业务特征数据。
步骤S208,将成熟业务站点B的主客体关系对的业务特征数据与实际的可信覆盖率作为训练样本,对预先构建的初始可信预测模型进行训练,获得可信预测模型。
具体的,在训练过程中,初始可信预测模型的输入参数为主客体关系对的平均交易数,初始可信预测模型基于输入的平均交易数对主客体关系对的可信覆盖率进行预测,输出主客体关系对的可信覆盖率的预测值,然后通过将主客体关系对输出的可信覆盖率的预测值与实际的可信覆盖率进行比较对初始可信预测模型的参数进行调整,从而实现对初始可信预测模型的训练,最终在训练完成之后获得可信预测模型。
步骤S210,提取新业务站点A的历史交易数据,并对提取的历史交易数据进行标记。
具体的,在将新业务站点A的历史交易数据看作数据样本的基础上,将新业务站点A的数据样本中由新业务站点A的业务用户提出报案且在提出报案后确认非业务用户本人操作的数据样本标记为负样本,并将新业务站点A的数据样本中除负样本之外剩余的数据样本标记为正样本。
步骤S212,确定新业务站点A的主客体关系对的业务特征数据。
新业务站点A上的主客体关系对包括支付账户(可信主体)+银行卡(可信客体)以及银行卡(可信主体)+终端设备(可信客体)这两主个客体关系对。
具体的,新业务站点A的支付账户(可信主体)+银行卡(可信客体)这一主客体关系对的业务特征数据,包括新业务站点A在支付账户+银行卡这一维度的平均交易数,以及新业务站点A在银行卡+终端设备这一维度的平均交易数;
其中,新业务站点A在支付账户+银行卡这一维度的平均交易数,等于新业务站点A中所有业务用户在支付账户+银行卡这一维度的交易数平均值;新业务站点A在银行卡+终端设备这一维度的平均交易数,等于新业务站点A中所有业务用户在银行卡+终端设备这一维度的交易数平均值。
步骤S214,通过将新业务站点A的主客体关系对的业务特征数据输入可信预测模型,输出新业务站点A的主客体关系对的可信覆盖率预测。
步骤S216,根据新业务站点A的正样本和负样本、可信覆盖率预测、新业务站点A的业务用户在主客体关系对的用户特征数据,通过求解最优化问题确定主客体关系对的可信特征阈值。
具体的,最优化问题的目标函数为:
其中,X1、X2、···Xn为新业务站点A的历史交易数据中每一笔交易在各个主客体关系对的特征数据,M1、M2、···Mn为新业务站点A的各个主客体关系对的可信特征阈值;
最优化问题的约束条件为:
在求解上述最优化问题时,可采用遗传算法、PSO(Particle SwarmOptimization)算法等求解方法来求解最优化问题,求解后获得新业务站点A的各个主客体关系对的可信特征阈值。
步骤S218,若业务用户在主客体关系对的用户特征数据大于或者等于可信特征阈值,则将主客体关系对确定为业务用户的可信关系对。
步骤S220,在新业务站点A部署业务用户的可信关系对,并判断业务用户提交的业务请求携带的用户特征数据是否满足业务用户的可信关系对;
若满足,执行步骤S222,对业务用户提交的交易请求进弱校验;
若不满足,执行步骤S224,对业务用户提交的交易请求进强校验。
综上所述,所述可信关系处理方法,在预先训练获得的可信预测模型的基础上,借助所述可信预测模型实现对业务点的可信覆盖率进行预测,并根据预测获得的所述主客体关系对的可信覆盖率预测,结合所述业务点的业务用户在所述主客体关系对的用户特征数据以及所述业务点的正样本和负样本确定所述主客体关系对的可信特征阈值,最终以所述可信特征阈值作为确定可信关系对的依据,以此确定的可信关系对更加合理且更加精准,同时,利用确定的可信关系对针对业务用户提交的业务请求进行的业务风险防控也更具针对性。
本说明书提供的一种可信关系处理装置实施例如下:
在上述的实施例中,提供了一种可信关系处理方法,与之相对应的,还提供了一种可信关系处理装置,下面结合附图进行说明。
参照附图3,其示出了本实施例提供的一种可信关系处理装置的示意图。
由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本说明书提供一种可信关系处理装置,包括:
业务特征数据确定模块302,被配置为确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
可信覆盖率预测模块304,被配置为通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;
可信特征阈值确定模块306,被配置为根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
可信关系对确定模块308,被配置为在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
可选的,所述可信关系处理装置,还包括:
可信关系对部署模块,被配置为将所述业务用户的可信关系对部署在所述业务点;
业务请求判断模块,被配置为在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二风险级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
可选的,所述业务特征数据确定模块302,具体被配置为根据所述业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述业务点在所述主客体关系对的业务特征数据。
可选的,所述可信预测模型,通过运行如下模块训练获得:
数据准备模块,被配置为根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
模型训练模块,被配置为将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
可选的,所述主客体关系对的可信覆盖率,包括满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值。
可选的,所述负样本包括所述历史业务数据中由业务用户提出报案且确认非业务用户本人操作的数据样本;所述正样本包括所述历史业务数据中除所述负样本之外的数据样本。
可选的,所述主客体关系对的可信特征阈值,通过求解最优化问题确定;
所述最优化问题的目标函数包括:
其中,X1、X2、···Xn为所述业务点的历史业务数据在各个主客体关系对的特征数据,M1、M2、···Mn为所述业务点的各个主客体关系对的可信特征阈值;
所述最优化问题的约束条件为:
可选的,所述可信关系处理装置,还包括:
主客体关系对构建模块,被配置为基于可信主体与可信客体构建所述主客体关系对。
本说明书提供的一种计算设备实施例如下:
图4是示出了根据本说明书一个实施例提供的计算设备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。
本说明书提供一种计算设备,包括存储器410、处理器420及存储在存储器上并可在处理器上运行的计算机指令,所述处理器420用于执行如下计算机可执行指令:
确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测;
根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
本说明书提供的一种计算机可读存储介质实施例如下:
本说明书一个实施例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可信关系处理方法的步骤。
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可信关系处理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,均可以参见上述可信关系处理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 (12)
1.一种可信关系处理方法,包括:
确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测,其中,所述主客体关系对的可信覆盖率,包括满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值;
根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
2.根据权利要求1所述的可信关系处理方法,所述在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对步骤执行之后,包括:
将所述业务用户的可信关系对部署在所述业务点;
在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二校验级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
3.根据权利要求1所述的可信关系处理方法,所述确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据,包括:
根据所述业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述业务点在所述主客体关系对的业务特征数据。
4.根据权利要求1所述的可信关系处理方法,所述可信预测模型,采用如下方式训练获得:
根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
5.根据权利要求1所述的可信关系处理方法,所述负样本包括所述历史业务数据中由业务用户提出报案且确认非业务用户本人操作的数据样本;
所述正样本包括所述历史业务数据中除所述负样本之外的数据样本。
7.根据权利要求1所述的可信关系处理方法,所述确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据步骤执行之前,包括:
基于可信主体与可信客体构建所述主客体关系对。
8.一种可信关系处理装置,包括:
业务特征数据确定模块,被配置为确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
可信覆盖率预测模块,被配置为通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测,其中,所述主客体关系对的可信覆盖率,包括满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值;
可信特征阈值确定模块,被配置为根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
可信关系对确定模块,被配置为在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
9.根据权利要求8所述的可信关系处理装置,还包括:
可信关系对部署模块,被配置为将所述业务用户的可信关系对部署在所述业务点;
业务请求判断模块,被配置为在接收到所述业务用户提交的业务请求的情况下,判断所述业务用户提交的业务请求携带的用户特征数据是否满足所述业务用户的可信关系对;
若满足,将所述业务用户提交的业务请求确定为低风险请求,对所述业务请求进行第一校验级别的风险校验;
若不满足,将所述业务用户提交的业务请求确定为高风险请求,对所述业务请求进行第二校验级别的风险校验;
其中,所述第一校验级别的风险校验强度小于所述第二校验级别的风险校验强度。
10.根据权利要求8所述的可信关系处理装置,所述可信预测模型,通过运行如下模块训练获得:
数据准备模块,被配置为根据历史业务点的历史业务数据计算所述历史业务点的主客体关系对的可信覆盖率,以及,根据所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据,计算所述历史业务点的各个业务用户在所述主客体关系对的用户特征数据的特征数据均值,作为所述历史业务点在所述主客体关系对的业务特征数据;
模型训练模块,被配置为将所述历史业务点的主客体关系对的可信覆盖率与所述历史业务点在所述主客体关系对的业务特征数据作为训练样本,对基于可信覆盖率与业务特征数据二者构建的初始可信预测模型进行训练,训练之后获得所述可信预测模型。
11.一种计算设备,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:
确定业务点在基于可信主体与可信客体构建的主客体关系对的业务特征数据;
通过将所述主客体关系对的业务特征数据输入可信预测模型,输出所述主客体关系对的可信覆盖率预测,其中,所述主客体关系对的可信覆盖率,包括满足所述主客体关系的历史业务数据的数目与所述历史业务数据的总数目的比值;
根据所述可信覆盖率预测、所述业务点的业务用户在所述主客体关系对的用户特征数据以及针对所述业务点的历史业务数据进行标记获得的正样本和负样本,确定所述主客体关系对的可信特征阈值;
在所述业务用户在所述主客体关系对的用户特征数据不小于所述主客体关系对的可信特征阈值的情况下,将所述主客体关系对确定为对所述业务用户提交的业务请求进行可信判定的可信关系对。
12.一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7任意一项所述可信关系处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911063313.0A CN110796450B (zh) | 2019-10-31 | 2019-10-31 | 可信关系处理方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911063313.0A CN110796450B (zh) | 2019-10-31 | 2019-10-31 | 可信关系处理方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796450A CN110796450A (zh) | 2020-02-14 |
CN110796450B true CN110796450B (zh) | 2022-06-03 |
Family
ID=69440876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911063313.0A Active CN110796450B (zh) | 2019-10-31 | 2019-10-31 | 可信关系处理方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796450B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184231B (zh) * | 2020-11-02 | 2022-06-28 | 支付宝(杭州)信息技术有限公司 | 一种可信业务确定方法及装置 |
CN117376033A (zh) * | 2023-12-06 | 2024-01-09 | 浙江网商银行股份有限公司 | 文件处理方法以及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600872B1 (en) * | 2007-07-27 | 2013-12-03 | Wells Fargo Bank, N.A. | System and method for detecting account compromises |
CN108074024A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN108364226A (zh) * | 2018-01-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 识别可信交易的方法和装置 |
CN108399477A (zh) * | 2017-02-07 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 一种风险阈值确定的方法及装置 |
CN109544166A (zh) * | 2018-11-05 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 一种风险识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10621586B2 (en) * | 2017-01-31 | 2020-04-14 | Paypal, Inc. | Fraud prediction based on partial usage data |
-
2019
- 2019-10-31 CN CN201911063313.0A patent/CN110796450B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600872B1 (en) * | 2007-07-27 | 2013-12-03 | Wells Fargo Bank, N.A. | System and method for detecting account compromises |
CN108074024A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN108399477A (zh) * | 2017-02-07 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 一种风险阈值确定的方法及装置 |
CN108364226A (zh) * | 2018-01-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 识别可信交易的方法和装置 |
CN109544166A (zh) * | 2018-11-05 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 一种风险识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110796450A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI732226B (zh) | 分類模型生成方法及裝置、資料識別方法及裝置 | |
CN110991905B (zh) | 风险模型训练方法以及装置 | |
EP3103038B1 (en) | Systems, apparatuses and methods for communication flow modification | |
CN111553488B (zh) | 一种针对用户行为的风险识别模型训练方法及系统 | |
CN110147925B (zh) | 一种风险决策方法、装置、设备及系统 | |
CN110796399B (zh) | 基于区块链的资源分配方法以及装置 | |
CN105989441A (zh) | 模型参数调整方法和装置 | |
CN112039702B (zh) | 基于联邦学习和相互学习的模型参数训练方法及装置 | |
CN104885099A (zh) | 使用推升式决策树桩和联合特征选择及剔选算法来对移动设备行为进行高效分类的方法和系统 | |
CN110796450B (zh) | 可信关系处理方法以及装置 | |
CN110751493B (zh) | 基于历史预约订单的风险防控方法以及装置 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN112801780B (zh) | 基于联邦学习的境内外风险客户识别方法、装置及系统 | |
CN113298121A (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
CN112037063A (zh) | 一种汇率预测模型生成方法、汇率预测方法及相关设备 | |
CN113436006A (zh) | 基于区块链的贷款风险预测方法及装置 | |
CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
TWI761695B (zh) | 核身方法及裝置與其核身安全模型的生成方法與裝置及其計算設備與電腦可讀儲存媒體 | |
CN112116358A (zh) | 一种交易欺诈行为的预测方法、装置及电子设备 | |
CN117078259A (zh) | 基于图随机神经网络的跨链异常交易检测方法及系统 | |
CN108446907B (zh) | 安全校验方法及装置 | |
US20220101160A1 (en) | Model reuse-based model prediction | |
CN111506486B (zh) | 数据处理方法及系统 | |
CN114944950B (zh) | 实名认证方法以及装置 | |
CN114004356A (zh) | 反洗钱模型训练方法、反洗钱方法以及装置 |
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 |