CN110910198A - 非正常对象预警方法、装置、电子设备及存储介质 - Google Patents
非正常对象预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110910198A CN110910198A CN201910984943.5A CN201910984943A CN110910198A CN 110910198 A CN110910198 A CN 110910198A CN 201910984943 A CN201910984943 A CN 201910984943A CN 110910198 A CN110910198 A CN 110910198A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- detected
- abnormal
- transaction
- abnormal object
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种非正常对象预警方法、装置、电子设备及存储介质;所述方法包括:获取交易数据,并根据交易数据确定对象和交易结果项;其中,对象包括:商户、用户和交易时段;构建关于对象的交易结果项张量;根据关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;对待测特征向量与目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;根据疑似非正常对象生成非正常对象预警信息,输出非正常对象预警信息。本发明构建关于商户、用户和交易时段的交易数据张量,通过数据分解、向量匹配的方式确定疑似非正常对象,进而完成非正常对象预警信息的输出,实现了非正常对象的准确、高效预警。
Description
技术领域
本发明涉及计算机技术领域,特别是指一种非正常对象预警方法、装置、电子设备及存储介质。
背景技术
随着互联网技术和电子商务的发展,很多不法行为呈现互联网化的趋势,这些不法行为的实施主体即是互联网中的非正常对象。洗钱是上述不法行为中常见的一种,其是指通过合法的活动或建设将违法获得的收入隐藏、伪装或投资的过程。现如今越来越多的不法分子利用第三方支付工具进行洗钱活动。第三方支付平台对非正常对象行为的识别、监控和预警的难度越来越高。现有技术还难以对非正常对象进行准确、高效的非正常对象预警。
发明内容
有鉴于此,本发明的目的在于提出一种非正常对象预警方法、装置、电子设备及存储介质,能够对非正常对象进行准确、高效的预警。
基于上述目的,本发明提供了一种非正常对象预警方法,包括:
获取交易数据,并根据所述交易数据确定对象和交易结果项;其中,所述对象包括:商户、用户和交易时段;
构建关于对象的交易结果项张量;
根据所述关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;
对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;
根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
此外,本发明还提供了一种非正常对象预警装置,包括:
获取模块,被配置为获取交易数据,并根据所述交易数据确定对象和交易结果项;其中,所述对象包括:商户、用户和交易时段;
构建模块,被配置为构建关于对象的交易结果项张量;
处理模块,被配置为根据所述构建关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;
确定模块,被配置为对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;
输出模块,被配置为根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
此外,本发明还提供了一种电子设备,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如上任意一项所述的方法。
此外,本发明还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一所述方法。
从上面所述可以看出,本发明提供的非正常对象预警方法、装置、电子设备及存储介质,根据交易数据构建关于各商户、用户和交易时段的交易数据张量,其中,通过交易时段这一对象来反映时间对于洗钱行为的影响;然后,对于该交易数据张量通过数据分解、向量匹配的方式确定疑似非正常对象,进而完成非正常对象预警信息的输出,实现了非正常对象的准确、高效预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所涉及的应用场景示意图;
图2为本发明实施例的非正常对象预警方法流程图;
图3为本发明实施例中的关于商户-用户-交易时段的交易结果项张量示意图;
图4为本发明实施例中获得对应于非正常对象的目标特征向量的步骤流程图;
图5为本发明实施例中确定疑似非正常对象的步骤流程图;
图6为本发明另一实施例中确定疑似非正常对象的步骤流程图;
图7为本发明实施例的非正常对象预警装置结构示意图;
图8为本发明实施例的电子设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件、物件或者方法步骤涵盖出现在该词后面列举的元件、物件或者方法步骤及其等同,而不排除其他元件、物件或者方法步骤。
如背景技术所述,不法行为呈现互联网化的趋势。以洗钱为例,洗钱(MoneyLaundering)是一种将非法所得合法化的行为,主要指将违法所得及其产生的收益,通过各种手段掩饰、隐瞒其来源和性质,使其在形式上合法化。
现如今,随着随着互联网技术和电子商务的发展,越来越多的不法分子利用第三方支付平台进行违法活动,也即网络洗钱。例如,参考图1,不法分子利用第三方支付平台提供的商品交易服务,分别作为商户和用户,基于第三方支付平台,并使用非法资金完成虚构的或者真实的交易,从而实现将非法资金洗白的过程。具体的,如通过第三方支付平台发行的商户POS机虚构交易套现;或是,将非法资金转移到第三方支付平台账户,在线购买游戏点卡、数字虚拟货币等物品后转卖套现;又或是,将非法资金在银行账户和第三方支付平台之间来回多次转账切换,以逃避追查。
在上述过程中,商户和用户即非正常对象。由于第三方支付平台现实运行中存在的诸多如账户未实名注册、管理不规范等问题,这使得网络洗钱日益呈现隐蔽化、手段多样化等趋势。现有的对于网络洗钱的监控和预警技术在准确性和高效性上均存在很多不足;如网络洗钱行为涉及的因素较多,而现有技术仅仅考虑了商户和用户两个对象,而没有考虑时间这一能够反映洗钱行为特点的因素,这显然无法准确的反映实际情况,造成结果准确性的不足。此外,在进行数据分析处理时,庞大的数据量也严重影响了数据处理的效率。
针对于上述问题,本发明实施例提供了非正常对象预警方案,能够根据需要选择相应对象对应的交易数据构建交易数据张量,在该构建的张量中进一步考虑了时间因素,并能够缩减在对交易数据张量进行数据处理的过程中的数据量,实现非正常对象的准确、高效预警。
以下结合附图,详细说明本说明书实施例提供的技术方案。
参考图2,本实施例的非正常对象预警方法,包括以下步骤:
步骤201、获取交易数据,并根据所述交易数据确定对象和交易结果项;其中,所述对象包括:商户、用户和交易时段。
本步骤中,首先获取交易数据。所述的交易数据,是在第三方支付平台上实际完成交易后产生的、与交易结果有关的数据,其一般包括有反映构成该交易的相关各构成要件的部分,以及反映交易结果的部分。
对于反映交易结果的部分,在本发明实施例中,称之为交易结果项,其可以是交易金额、交易商品数量、交易次数、交易频率等等。
对于反映构成该交易的相关各构成要件的部分,从中可以确定对于任一完成的交易对应的构成该交易的相关各构成要件。在本发明实施例中,所述的对象可以是商户、用户,以及交易时段(当以某一时间单位为最小细分时即成为交易时点)。
可见,基于交易数据包括的上述内容,其能够反映交易参与者双方以及交易发生的时间。
对于交易数据来源,其可以从第三方支付平台的数据库直接获取,也可以基于本地记载的历史交易记录而获得,还可以是获取自其他外部的数据库。
步骤202、构建关于对象的交易结果项张量。
本步骤中,根据获取到的交易数据,将商户、用户和交易时段分别作为三个维度,将交易结果项作为三个维度下的具体取值构建一张量,本发明实施例中称之为关于对象的交易结果项张量。
本实施例中,三个对象分别为:商户、用户和交易时段;对应的选择交易结果项为交易金额。该张量的三个维度分别代表商户、用户和交易时段,则该张量包含的任一元素,即代表一商户与一用户之间在一时段内完成的交易的交易金额。
步骤203、根据所述关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量。
本步骤中,对于前述得到的关于对象的交易结果项张量进行数据处理。基于关于对象的交易结果项张量的数据结构,具体的数据方法为张量分解,通过分解,将矩阵或张量拆解为数个矩阵的乘积,在降低数据量的同时,使得各对象间的关系蕴含于分解得到的矩阵内的向量中。本实施例中,对于分解得到的矩阵称之为子矩阵;而子矩阵内包含的向量,称之为特征向量。
进一步的,对于子矩阵内的特征向量进行分类。在现有技术中,已经有一些技术能够对各对象的洗钱行为进行识别并判定,如判定商户或用户是否为洗钱参与者,或者是判定某一时间段为洗钱高发期,亦或是判定某一地点是洗钱高发地点。本步骤中,对于本实施例中的特征向量对应于的对象,查看其是否存在有基于前述现有的非正常对象的判定技术的结果,若特征向量对应于的对象已存在有基于现有技术的非正常对象的判定结果,则认为这些特征向量对应于的对象存在洗钱行为,将其确定为对应于非正常对象的目标特征向量。而对于其他不存在基于现有技术的非正常对象的判定结果的,则将其确定为对应于待测对象的待测特征向量。其中,现有技术中对于非正常对象的识别判定可以是黑白标签、黑白名单等。
也就是说,本步骤中,将子矩阵中的特征向量分为了目标特征向量和待测特征向量;目标特征向量对应的对象为非正常对象;待测特征向量对应的对象为待测对象,待测对象是否具有洗钱的嫌疑,由后续步骤进一步判定。
此外,在进行矩阵分解或张量分解时,可以选用任意现有的分解技术。如进行矩阵分解时,可以选用奇异值分解(Singular Value Decomposition,SVD)、独立分量分析(Independent Component Analysis,ICA)、非负矩阵分解(Nonnegative MatrixDecomposition,NMD)等。进行张量分解时,可以选用高阶奇异值分解(Higher-OrderSingular Value Decomposition,HOSVD)、规范多元分解(Canonical PolyadicDecomposition,CPD)、非负张量分解(Nonnegative Tensor Decomposition,NMD)等。
步骤204、对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象。
前述步骤中,已经获得了对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量。本步骤中,通过计算向量相似度的方式,来判定待测特征向量与目标特征向量是否相似匹配。
如果根据向量相似度的计算结果,待测特征向量与目标特征向量不相似、即不匹配,即表明待测特征向量对应的待测对象与目标特征向量对应的非正常对象不具有相同或相似的交易行为或交易特点,则该待测对象被认为未实施或未参与洗钱,则其为正常对象。
如果根据向量相似度的计算结果,待测特征向量与目标特征向量相似、即二者匹配,即表明待测特征向量对应的待测对象与目标特征向量对应的非正常对象具有相同或相似的交易行为或交易特点,则该待测对象被认为极有可能实施洗钱行为或参与了洗钱活动,则将与目标特征向量匹配的待测特征向量对应的待测对象确定为疑似非正常对象。
在确定了疑似非正常对象之后,还可以对该疑似非正常对象进行标记处理,如为该疑似非正常对象添加黑标签,或者是将该疑似非正常对象加入黑名单。通过对于该疑似非正常对象的标记处理,使得通过本实施例的方法确定的该疑似非正常对象能够方便的被用于其他的各种非正常对象的监测、监控或预警的方案中;当然,也可以是基于对于疑似非正常对象的标记处理,在后续的执行本发明的方法过程中,作为对应于非正常对象的目标特征向量的确定依据。
其中,对于待测特征向量与目标特征向量的相似度计算,一般即计算待测特征向量与目标特征向量间的距离,二者的距离越小则表明其越相似,反之则二者越不相似。具体是否相似的判断需根据所采用的距离计算方法而相应设定阈值来实现判定。其中,根据具体的实施需要,待测特征向量与目标特征向量的相似度计算,可以选用任意的向量距离计算方法,如欧式距离(Euclidean Distance)、余弦距离(Cosine Distance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、马氏距离(MahalanobisDistance)、汉明距离(Hamming Distance)、杰卡德距离(Jaccard Distance)等。
步骤205、根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
本步骤中,根据前述确定的疑似非正常对象,生成非正常对象预警信息。该非正常对象预警信息记载有确定的疑似非正常对象的相关信息。如果疑似非正常对象是交易的参与者,如商户/用户,则非正常对象预警信息可以包括商户/用户的名称、联系方式等,以方便疑似洗钱的商户/用户的确认和寻找;如果疑似非正常对象是交易时段,则非正常对象预警信息可以直接记载相应的交易时段,以方便疑似洗钱的时间、地点可以被清楚的获知。
生成非正常对象预警信息后,进一步的将非正常对象预警信息进行输出。根据不同的应用场景和实施需要,具体的对于非正常对象预警信息的输出方式可以灵活选择。
例如,对于本实施例的方法在单一设备上执行的应用场景,可以将非正常对象预警信息直接在当前设备的显示部件(显示器、投影仪等)上以显示的方式输出,使得当前设备的操作者能够从显示部件上直接看到非正常对象预警信息的内容。
又如,对于本实施例的方法在多个设备组成的系统上执行的应用场景,可以将非正常对象预警信息通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)发送至系统内的其他作为接收方的预设设备上,以使得接收到非正常对象预警信息的预设设备可以对其进行后续处理。可选的,该预设设备可以是预设的服务器,服务器一般设置在云端,作为数据的处理和存储中心,其能够对非正常对象预警信息进行存储和分发;其中,分发的接收方是终端设备,该些终端设备的持有者或操作者可以是商户/用户、第三方支付平台的管理人员、执法部门人员等。
再如,对于本实施例的方法在多个设备组成的系统上执行的应用场景时,可以将非正常对象预警信息通过任意的数据通信方式直接发送至预设的终端设备,终端设备可以是前述段落列举中的一种或多种。
可见本实施例的非正常对象预警方法,根据交易数据构建关于各对象的交易数据张量,该关于各对象的交易数据张量中,除了商户、用户,还进一步包括了交易时段,通过对于时间这一因素的考虑,能够更好的还原实际中的洗钱行为;然后,对于该交易数据张量通过数据分解、向量匹配的方式确定疑似非正常对象,进而完成非正常对象预警信息的输出,实现了非正常对象的准确、高效预警。
作为一个可选的实施例,基于获取到的交易数据,确定对象为:商户、用户和交易时段,交易结果项为:交易金额。相应的,构建得到的关于对象的交易结果项张量为:关于商户、用户和交易时段的交易结果项张量。该关于商户、用户和交易时段的交易结果项张量即三维数组其中xm,n,t表示商户m与用户n在时间段t内的交易金额,R即表示数组。关于商户、用户和交易时段的交易结果项张量的结构形式参考图3所示。
本实施例中,被构建为5×6×3的三维张量,其中,M=5,代表有5个商户;N=6,代表有6位用户;T=3,代表有3个交易时段。对于中的任意元素,即代表一商户与一用户在一时段内的交易金额。为方便表达,本实施例中将按照T维度划分为三个截面表示:
其中,XM,N,1、XM,N,2和XM,N,3分别表示的三个截面。具体的,XM,N,1表示商户与用户在0:00-07:59时间段内的交易金额,XM,N,2表示商户与用户在08:00-15:59时间段内的交易金额,XM,N,3表示商户与用户在16:00-23:59时间段内的交易金额。
其中,P为关于商户的子矩阵、Q为关于用户的子矩阵,U为关于交易时段的子矩阵。对于关于商户的子矩阵P,其5行分别对应5个商户的特征向量;对于关于用户的子矩阵Q,其6行分别对应6个用户的特征向量;对于关于交易时段的子矩阵U,其3行分别对应3个交易时段的特征向量。需要说明的是,虽然上述三个子矩阵中,其分别仅仅包括了商户、用户、交易时段对应的特征向量,但基于张量分解的特点,上述子矩阵包含的特征向量中,实际上同时蕴含了商户、用户、交易时段三个对象之间的关系。
S为关于商户的子矩阵P、关于用户的子矩阵Q,关于交易时段的子矩阵U的列数;S为预先设定,其决定了张量分解后获得的各子矩阵的维度,为了能够使得张量分解后得到的各子矩阵的数据量更小,有利于提升数据处理效率,故一般将S相比于M、N来说设置的较小,即S<<M,S<<N,S<<T。本实施例中取S=2;可见,分解后得到的关于商户的子矩阵P、关于用户的子矩阵Q,关于交易时段的子矩阵U,其各自相应的列数或行数明显减少,数据量有效的被缩减。
进一步,通过关于商户的子矩阵P,可以确定疑似非正常商户;具体的,通过现有技术可以确定商户的子矩阵P中,对应非正常商户的目标特征向量,其他的即作为对应待测商户的待测特征向量。对应非正常商户的目标特征向量和对应待测商户的待测特征向量越接近,则该待测特征向量对应的商户的嫌疑性越大。对应非正常商户的目标特征向量和对应待测商户的待测特征向量的相似度计算可采用标准化后的欧式距离或余弦距离等。相应的可以设置距离阈值,弱二者的距离小于距离阈值,则判定对应待测商户的待测特征向量与对应非正常商户的目标特征向量相似,则该待测商户确定为非正常商户。
类似的,通过关于用户的子矩阵Q,获得对应非正常用户的目标特征向量和对应待测用户的待测特征向量,进而确定疑似非正常用户。通过关于交易时段的子矩阵U,获得对应非正常交易时段的目标特征向量和对应待测交易时段的待测特征向量,进而可以确定疑似非正常交易时段。具体的相似度计算过程与前述关于商户的子矩阵P中的计算相同。
作为一个可选的实施例,在所述的非正常对象预警方法中,所述对象还包括:交易地点;该交易地点同样由获取到的交易数据中确定,其能够反映交易发生的地点这一因素。本实施例中,交易结果项为:交易金额。相应的,构建得到的关于对象的交易结果项张量为:关于商户、用户、交易时段和交易地点的交易结果项张量,即构建得到一个四维张量。关于商户、用户、交易时段和交易地点的交易结果项张量中的任意一个元素,即表示一个商户与一位用户在某一时间段内且在某一地点产生的交易金额。后续的,对关于商户、用户、交易时段和交易地点的交易结果项张量进行张量分解,即能够得到四个子矩阵,除了关于商户的子矩阵、关于用户的子矩阵、关于交易时段的子矩阵之外,还包括关于交易地点的子矩阵。同样的,基于上述子矩阵包含的特征向量中,实际上同时蕴含了商户、用户、交易时段和交易地点四个对象之间的关系。进一步,通过关于交易地点的子矩阵,获得对应非正常交易地点的目标特征向量和对应待测交易地点的待测特征向量,进而可以确定疑似非正常交易地点。具体的,相似度计算过程和前述其他子矩阵的类似,本实施例中不再赘述。
作为一个可选的实施例,参考图4,所述获得对应于非正常对象的目标特征向量的步骤,具体包括:
步骤401、对所述关于对象的交易结果项张量中包括的特征向量对应的对象进行黑标签检索,确定至少一个关联有黑标签的特征向量;
步骤402、将所述关联有黑标签的特征向量确定为所述目标特征向量。
本实施例中,对于关于对象的交易结果项张量中包括的各个特征向量对应的对象进行黑标签检索,来确定所述的对象是否被标记有标签,以及当对象被标记有标签时,所述标签是否黑标签。其中,黑标签即代表该对象被现有技术识别为实施或参与了洗钱。故将检索得到的被标记有黑标签的对象确定为非正常对象。相应的,确定该非正常对象对应的特征向量为目标特征向量。另一方面,将未被标记有标签的对象确定为待测对象;同时,将检索到被标记有标签但标签为白标签的对象也确定为待测对象。相应的,确定该待测对象对应的特征向量为待测特征向量。
本实施例给出了一种具体的对应于非正常对象的目标特征向量的获得步骤。基于现有的黑白标签标注技术,通过对各个对象的黑标签检索,简便快速的确定非正常对象和目标特征向量。
作为一个可选的实施例,参考图5,所述对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象的步骤,具体包括:
步骤501、对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量。
本步骤中,首先对待测特征向量与目标特征向量进行归一化处理,归一化处理的目的在于减小特征向量各分量的分布不一带来的影响。具体的,通过归一化处理,将特征向量各分量进行标准化,具体的计算方法可以是对各分量取均值、方差等。
步骤502、计算所述归一化待测特征向量与所述归一化目标特征向量的欧式距离。
本步骤中,对于归一化待测特征向量与归一化目标特征向量,计算其欧式距离。对于任意两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n),其欧式距离Dab为:
基于上述欧式距离的计算公式,可以计算获得归一化待测特征向量与归一化目标特征向量的欧式距离。欧式距离的值越小,则表面归一化待测特征向量与归一化目标特征向量越相似。
步骤503、判断所述欧式距离是否满足第一预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配。
本步骤中,将计算得到的归一化待测特征向量与归一化目标特征向量的欧式距离,与第一预设阈值进行比较。其中,第一预设阈值为预先设置,一般为一数值区间,最小值为零(对应两个向量完全相同)、最大值根据需要而设置。当计算得到的欧式距离落入上述区间内时,则认为所述欧式距离满足第一预设阈值,此时归一化待测特征向量与归一化目标特征向量匹配,也即待测特征向量与目标特征向量匹配。计算得到的欧式距离未落入上述区间内时,则认为所述欧式距离不满足第一预设阈值,此时归一化待测特征向量与归一化目标特征向量不匹配,也即待测特征向量与目标特征向量不匹配。
步骤504、将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
本步骤中,在待测特征向量与目标特征向量匹配时,将该待测特征向量对应的待测对象确定为疑似非正常对象。
作为一个可选的实施例,参考图6,所述对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象的步骤,具体包括:
步骤601、对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量。
本步骤中,首先对待测特征向量与目标特征向量进行归一化处理,归一化处理的目的在于减小特征向量各分量的分布不一带来的影响。具体的,通过归一化处理,将特征向量各分量进行标准化,具体的计算方法可以是对各分量取均值、方差等。
步骤602、确定所述归一化待测特征向量与所述归一化目标特征向量的夹角,并计算所述夹角的余弦值。
本步骤中,通过计算归一化待测特征向量与归一化目标特征向量的夹角的余弦值来确定二者之间的余弦距离。对于余弦距离,其取值范围为[-1,1];余弦距离越大表示两个向量的夹角越小,余弦距离越小表示两向量的夹角越大;当两个向量的方向重合时,其余弦距离取最大值1。
步骤603、判断所述夹角的余弦值是否满足第二预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配。
本步骤中,将计算得到的归一化待测特征向量与归一化目标特征向量的余弦距离,与第二预设阈值进行比较。其中,第二预设阈值为预先设置,一般为一数值区间,最大值为一(对应两个向量完全相同),最小值根据需要而设置。当计算得到的欧式距离落入上述区间内时,则认为所述余弦距离满足第二预设阈值,此时归一化待测特征向量与归一化目标特征向量匹配,也即待测特征向量与目标特征向量匹配。计算得到的余弦距离未落入上述区间内时,则认为所述余弦距离不满足第二预设阈值,此时归一化待测特征向量与归一化目标特征向量不匹配,也即待测特征向量与目标特征向量不匹配。
步骤604、将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
本步骤中,在待测特征向量与目标特征向量匹配时,将该待测特征向量对应的待测对象确定为疑似非正常对象。
基于同一发明构思,参考图7,本发明实施例还提供了一种非正常对象预警装置,包括:
获取模块701,被配置为获取交易数据,并根据所述交易数据确定对象和交易结果项;
构建模块702,被配置为构建关于对象的交易结果项张量;
处理模块703,被配置为根据所述构建关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;
确定模块704,被配置为对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;
输出模块705,被配置为根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
非正常商户非正常用户在一个可选的实施例中,所述处理模块703,被配置为对所述关于对象的交易结果项张量进行张量分解,获得关于商户的子矩阵、关于用户的子矩阵和关于交易时段的子矩阵;以及,以下步骤中的至少一步:根据所述关于商户的子矩阵,获得对应非正常商户的目标特征向量和对应待测商户的待测特征向量;根据所述关于用户的子矩阵,获得对应非正常用户的目标特征向量和对应待测用户的待测特征向量;根据所述关于交易时段的子矩阵,获得对应非正常交易时段的目标特征向量和对应待测交易时段的待测特征向量。
在一个可选的实施例中,所述处理模块703,被配置为对所述关于对象的交易结果项张量中包括的特征向量对应的对象进行黑标签检索,确定至少一个关联有黑标签的对象及其对应的特征向量;将所述关联有黑标签的对象对应的特征向量确定为所述目标特征向量。
在一个可选的实施例中,所述确定模块704,被配置为对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;确定所述归一化待测特征向量与所述归一化目标特征向量的夹角,并计算所述夹角的余弦值;判断所述夹角的余弦值是否满足第二预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
在一个可选的实施例中,所述确定模块704,被配置为对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;计算所述归一化待测特征向量与所述归一化目标特征向量的欧式距离;判断所述欧式距离是否满足第一预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
在一个可选的实施例中,所述输出模块705,被配置为执行如下操作中的至少一种:显示所述非正常对象预警信息;将所述非正常对象预警信息发送至预设的服务器;将所述非正常对象预警信息发送至预设的终端设备。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,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如上任意一实施例所述的方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
本实施例的计算机可读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。
上述实施例的存储介质用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种非正常对象预警方法,其特征在于,包括:
获取交易数据,并根据所述交易数据确定对象和交易结果项;其中,所述对象包括:商户、用户和交易时段;
构建关于对象的交易结果项张量;
根据所述关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;
对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;
根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
2.根据权利要求1所述的非正常对象预警方法,其特征在于,所述根据所述关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量,包括:
对所述关于对象的交易结果项张量进行张量分解,获得关于商户的子矩阵、关于用户的子矩阵和关于交易时段的子矩阵;
以及,以下步骤中的至少一步:
根据所述关于商户的子矩阵,获得对应非正常商户的目标特征向量和对应待测商户的待测特征向量;
根据所述关于用户的子矩阵,获得对应非正常用户的目标特征向量和对应待测用户的待测特征向量;
根据所述关于交易时段的子矩阵,获得对应非正常交易时段的目标特征向量和对应待测交易时段的待测特征向量。
3.根据权利要求2所述的非正常对象预警方法,其特征在于,所述对象还包括:交易地点;
所述根据所述关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量,还包括:
对所述关于对象的交易结果项张量进行张量分解,获得关于交易地点的子矩阵;
根据所述关于交易地点的子矩阵,获得对应非正常交易地点的目标特征向量和对应待测交易地点的待测特征向量。
4.根据权利要求1所述的非正常对象预警方法,其特征在于,所述获得对应于非正常对象的目标特征向量,包括:
对所述关于对象的交易结果项张量中包括的特征向量对应的对象进行黑标签检索,确定至少一个关联有黑标签的对象及其对应的特征向量;
将所述关联有黑标签的对象对应的特征向量确定为所述目标特征向量。
5.根据权利要求1所述的非正常对象预警方法,其特征在于,所述对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象,包括:
对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;
计算所述归一化待测特征向量与所述归一化目标特征向量的欧式距离;
判断所述欧式距离是否满足第一预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;
将与所述目标特征向量的匹配的所述待测特征向量对应的对象确定为所述疑似非正常对象。
6.根据权利要求1所述的非正常对象预警方法,其特征在于,所述对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象,包括:
对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;
确定所述归一化待测特征向量与所述归一化目标特征向量的夹角,并计算所述夹角的余弦值;
判断所述夹角的余弦值是否满足第二预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;
将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
7.根据权利要求1所述的非正常对象预警方法,其特征在于,所述输出所述非正常对象预警信息,包括如下操作中的至少一种:
显示所述非正常对象预警信息;
将所述非正常对象预警信息发送至预设的服务器;
将所述非正常对象预警信息发送至预设的终端设备。
8.一种非正常对象预警装置,其特征在于,包括:
获取模块,被配置为获取交易数据,并根据所述交易数据确定对象和交易结果项;其中,所述对象包括:商户、用户和交易时段;
构建模块,被配置为构建关于对象的交易结果项张量;
处理模块,被配置为根据所述构建关于对象的交易结果项张量,获得对应于非正常对象的目标特征向量和对应于待测对象的待测特征向量;
确定模块,被配置为对所述待测特征向量与所述目标特征向量进行相似度匹配,根据匹配结果确定疑似非正常对象;
输出模块,被配置为根据所述疑似非正常对象生成非正常对象预警信息,输出所述非正常对象预警信息。
9.根据权利要求8所述的非正常对象预警装置,其特征在于,所述处理模块,被配置为对所述关于对象的交易结果项张量进行张量分解,获得关于商户的子矩阵、关于用户的子矩阵和关于交易时段的子矩阵;以及,以下步骤中的至少一步:根据所述关于商户的子矩阵,获得对应非正常商户的目标特征向量和对应待测商户的待测特征向量;根据所述关于用户的子矩阵,获得对应非正常用户的目标特征向量和对应待测用户的待测特征向量;根据所述关于交易时段的子矩阵,获得对应非正常交易时段的目标特征向量和对应待测交易时段的待测特征向量。
10.根据权利要求9所述的非正常对象预警装置,其特征在于,所述对象还包括:交易地点;所述处理模块,被配置为对所述关于对象的交易结果项张量进行张量分解,获得关于交易地点的子矩阵;根据所述关于交易地点的子矩阵,获得对应非正常交易地点的目标特征向量和对应待测交易地点的待测特征向量。
11.根据权利要求8所述的非正常对象预警装置,其特征在于,所述处理模块,被配置为对所述关于对象的交易结果项张量中包括的特征向量对应的对象进行黑标签检索,确定至少一个关联有黑标签的对象及其对应的特征向量;将所述关联有黑标签的对象对应的特征向量确定为所述目标特征向量。
12.根据权利要求8所述的非正常对象预警装置,其特征在于,所述确定模块,被配置为对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;计算所述归一化待测特征向量与所述归一化目标特征向量的欧式距离;判断所述欧式距离是否满足第一预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
13.根据权利要求8所述的非正常对象预警装置,其特征在于,所述确定模块,被配置为对所述待测特征向量与所述目标特征向量进行归一化处理,获得归一化待测特征向量与归一化目标特征向量;确定所述归一化待测特征向量与所述归一化目标特征向量的夹角,并计算所述夹角的余弦值;判断所述夹角的余弦值是否满足第二预设阈值,若是,则判定所述待测特征向量与所述目标特征向量匹配;将与所述目标特征向量的匹配的所述待测特征向量对应的待测对象确定为所述疑似非正常对象。
14.根据权利要求8所述的非正常对象预警装置,其特征在于,所述输出模块,被配置为执行如下操作中的至少一种:显示所述非正常对象预警信息;将所述非正常对象预警信息发送至预设的服务器;将所述非正常对象预警信息发送至预设的终端设备。
15.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
16.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984943.5A CN110910198A (zh) | 2019-10-16 | 2019-10-16 | 非正常对象预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984943.5A CN110910198A (zh) | 2019-10-16 | 2019-10-16 | 非正常对象预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910198A true CN110910198A (zh) | 2020-03-24 |
Family
ID=69815274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910984943.5A Pending CN110910198A (zh) | 2019-10-16 | 2019-10-16 | 非正常对象预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429144A (zh) * | 2020-03-25 | 2020-07-17 | 中国工商银行股份有限公司 | 非正常汇款交易识别方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180760A1 (en) * | 2011-03-18 | 2014-06-26 | Telefonica, S.A. | Method for context-aware recommendations based on implicit user feedback |
US20180082194A1 (en) * | 2016-09-21 | 2018-03-22 | International Business Machines Corporation | Collective matrix factorization for multi-relational learning |
CN108140057A (zh) * | 2016-07-14 | 2018-06-08 | 铁网网络安全股份有限公司 | 基于模拟和虚拟现实的网络行为系统 |
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 |
US20180232794A1 (en) * | 2017-02-14 | 2018-08-16 | Idea Labs Inc. | Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same |
US20180293506A1 (en) * | 2017-04-05 | 2018-10-11 | Yahoo Holdings, Inc. | Method and system for recommending content items to a user based on tensor factorization |
CN109767322A (zh) * | 2018-12-20 | 2019-05-17 | 平安科技(深圳)有限公司 | 基于大数据的可疑交易分析方法、装置和计算机设备 |
CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位系统 |
CN110009365A (zh) * | 2019-01-23 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 非正常转移电子资产的用户群体检测方法、装置和设备 |
CN110033170A (zh) * | 2019-03-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 识别风险商家的方法及装置 |
CN110060053A (zh) * | 2019-01-30 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 一种识别方法、设备及计算机可读介质 |
CN110070383A (zh) * | 2018-09-04 | 2019-07-30 | 中国平安人寿保险股份有限公司 | 基于大数据分析的异常用户识别方法及装置 |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
-
2019
- 2019-10-16 CN CN201910984943.5A patent/CN110910198A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180760A1 (en) * | 2011-03-18 | 2014-06-26 | Telefonica, S.A. | Method for context-aware recommendations based on implicit user feedback |
CN108140057A (zh) * | 2016-07-14 | 2018-06-08 | 铁网网络安全股份有限公司 | 基于模拟和虚拟现实的网络行为系统 |
US20180082194A1 (en) * | 2016-09-21 | 2018-03-22 | International Business Machines Corporation | Collective matrix factorization for multi-relational learning |
US20180232794A1 (en) * | 2017-02-14 | 2018-08-16 | Idea Labs Inc. | Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same |
US20180293506A1 (en) * | 2017-04-05 | 2018-10-11 | Yahoo Holdings, Inc. | Method and system for recommending content items to a user based on tensor factorization |
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 |
CN110070383A (zh) * | 2018-09-04 | 2019-07-30 | 中国平安人寿保险股份有限公司 | 基于大数据分析的异常用户识别方法及装置 |
CN109767322A (zh) * | 2018-12-20 | 2019-05-17 | 平安科技(深圳)有限公司 | 基于大数据的可疑交易分析方法、装置和计算机设备 |
CN110009365A (zh) * | 2019-01-23 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 非正常转移电子资产的用户群体检测方法、装置和设备 |
CN110060053A (zh) * | 2019-01-30 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 一种识别方法、设备及计算机可读介质 |
CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位系统 |
CN110033170A (zh) * | 2019-03-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 识别风险商家的方法及装置 |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429144A (zh) * | 2020-03-25 | 2020-07-17 | 中国工商银行股份有限公司 | 非正常汇款交易识别方法及装置 |
CN111429144B (zh) * | 2020-03-25 | 2024-04-12 | 中国工商银行股份有限公司 | 非正常汇款交易识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101989B (zh) | 一种商户分类模型构建和商户分类方法、装置及设备 | |
KR102351947B1 (ko) | 이미지 검증의 자동화 기법 | |
US9779406B2 (en) | User feature identification method and apparatus | |
TWI534735B (zh) | Information identification methods and equipment | |
US20160180315A1 (en) | Information processing apparatus using object recognition, and commodity identification method by the same | |
US11232464B1 (en) | Systems, apparatus, and methods of programmatically determining unique contacts based on crowdsourced error correction | |
TW202013282A (zh) | 風險商家發現方法和裝置 | |
CN109102324B (zh) | 模型训练方法、基于模型的红包物料铺设预测方法及装置 | |
CN114116802A (zh) | Flink计算框架的数据处理方法、装置、设备和存储介质 | |
CN110347887B (zh) | 获取业务场景时序数据的方法及装置 | |
CN109583910B (zh) | 一种商品授权鉴定方法、装置及设备 | |
CN111062594A (zh) | 一种供应商运营能力的评估方法、装置和电子设备 | |
CN111383405A (zh) | 一种售货处理方法、系统、装置和收银处理方法、装置 | |
CN110910198A (zh) | 非正常对象预警方法、装置、电子设备及存储介质 | |
CN116842106A (zh) | 资源线索的生成方法和装置 | |
CN108364226B (zh) | 识别可信交易的方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN111797282B (zh) | 产品标签权重确定方法、装置、电子设备及可读存储介质 | |
CN107424000A (zh) | 一种数据获取方法和装置 | |
CN114169928A (zh) | 一种新型门店销售管理方法、系统、设备及可读存储介质 | |
CN111582905A (zh) | 一种目标对象获取方法、装置、电子设备以及存储介质 | |
KR20190132098A (ko) | 거래 시스템을 위한 전자 장치 및 전자 시스템 | |
US11887108B2 (en) | System and user interface of a user device for managing tokens associated with a user | |
US12002061B2 (en) | Systems, apparatus, and methods of programmatically determining unique contacts based on crowdsourced error correction | |
CN112669154B (zh) | 外币兑换业务开办预测实现方法、装置及计算机设备 |
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: 20230111 Address after: 200120 Floor 15, No. 447, Nanquan North Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Alipay.com Co.,Ltd. Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |