CN111062770A - 商户识别方法、设备及计算机可读介质 - Google Patents
商户识别方法、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111062770A CN111062770A CN201911055735.3A CN201911055735A CN111062770A CN 111062770 A CN111062770 A CN 111062770A CN 201911055735 A CN201911055735 A CN 201911055735A CN 111062770 A CN111062770 A CN 111062770A
- Authority
- CN
- China
- Prior art keywords
- merchant
- information
- buyer
- undetermined
- merchants
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
Abstract
本申请提供了一种商户识别方案,该方案先通过采集进行交易的商户的第一信息和买家的第二信息,并根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户。对于未定性商户,可以采用主动交互的方式,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息,以此进行二级识别,利用买家对卖家的认知,获取包含更多内容的反馈信息,以弥补一级识别时信息不足对识别结果的影响,从而结合两次识别获得更加准确的识别结果。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种商户识别方法、设备及计算机可读介质。
背景技术
随着互联网技术以及电子商务的发展,涌现了大量的电商平台,给用户消费带来了便利。而电商平台中接入的商户数量也越来越多,由于商户品质良莠不齐,虽然其中正常商户数量一般占绝大多数,但其中也会隐藏一些不良商户,例如进行赌博、诈骗、套现等行为的商户,此类商户会给电商平台以及用户带来风险。因此,需要对现有商户进行风险控制。
图1示出了目前常用的商户风险控制策略的原理,主要依赖于交易数据,即采集买家在交易过程中的相关数据,例如买家位置、买家环境等动态信息以及账户信息、身份信息等静态信息,同时结合卖家的资质信息、文本信息等静态信息,通过风控识别引擎进行风险分层,将商户的风险划分为高危和低危。对于高危的商户,对其交易进行管控,而对于低危的商户,对其交易进行放行。
但是,在此种方式具有以下缺陷:上述维度的信息对于卖家的刻画是不全面的,并且由于卖家的资质信息、文本信息等静态信息具备不稳定性,当商户经营出现突变或资质被贩卖、滥用时,静态数据不能实时反映出经营主体本身与准入时资质信息之间的冲突,由此会导致方案无法准确识别出商户潜在的风险。
在对于商户的交易行为进行干预时,基于打扰率的限制,为了避免对正常商户的交易做出错误的干预,一般仅会对黑商户(即几乎完全确认的不良商户)进行干预,而无法覆盖到灰商户,即对于一些有可能是不良商户,但可能性未达到一定程度的商户的交易也会进行放行。因此,在识别准确率无法保证的前提下,风险控制的覆盖率也较低。
申请内容
本申请的一个目的是提供一种控制新用户引入难度的方案,用以解决现有方案识别准确性不足、覆盖率低的问题。
本申请实施例提供了一种商户识别方法,该方法包括:
采集进行交易的商户的第一信息和买家的第二信息;
根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户;
若所述商户为未定性商户,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息;
根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
本申请实施例还提供了一种商户识别设备,该设备包括:
信息采集模块,用于采集进行交易的商户的第一信息和买家的第二信息;
一级识别模块,用于根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户;
调研交互模块,用于在所述商户为未定性商户时,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息;
二级识别模块,用于根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
此外,本申请的一些实施例还提供了一种计算设备,该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行所述商户识别方法。
本申请的另一些实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现所述商户识别方法。
本申请实施例提供的商户识别方案中,先通过采集进行交易的商户的第一信息和买家的第二信息,并根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户。对于未定性商户,可以采用主动交互的方式,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息,以此进行二级识别,利用买家对卖家的认知,获取包含更多内容的反馈信息,以弥补一级识别时信息不足对识别结果的影响,从而结合两次识别获得更加准确的识别结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为目前常用的商户风险控制策略的原理图;
图2为本申请实施例提供的一种商户识别方法的处理流程图;
图3为一种基于本申请实施例提供的商户识别方案的商户风险控制策略的原理图;
图4为本申请实施例提供的一种商户识别设备的结构示意图;
图5为本申请实施例提供的一种用于实现商户识别的计算设备的结构示意图;
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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、程序的装置或其他数据。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(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例提供了一种商户识别方法,该方法先通过采集进行交易的商户的第一信息和买家的第二信息,对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,对于未定性商户,可以采用主动交互的方式,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息,以此进行二级识别,利用买家对卖家的认知,获取包含更多内容的反馈信息,以弥补一级识别时信息不足对识别结果的影响,从而结合两次识别获得更加准确的识别结果,由此进行风险控制的干预措施也可以具有更高的覆盖率。
在实际场景中,该方法的执行主体可以是用户设备、网络设备或者用户设备与网络设备通过网络相集成所构成的设备,此外也可以是运行于上述设备中的程序。所述用户设备包括但不限于计算机、手机、平板电脑等各类终端设备;所述网络设备包括但不限于如网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现。在此,云由基于云计算(Cloud Computing)的大量主机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟计算机。
图2示出了本申请实施例提供的一种商户识别方法的处理流程,至少包括以下处理步骤:
步骤S201,采集进行交易的商户的第一信息和买家的第二信息。所述第一信息和第二信息均是指在实际交易过程中可以在不主动与买家或商户进行交互,能够直接采集到的信息。
对于商户而言,第一信息可以包括商户的资质信息、文本信息等静态信息,所述资质信息可以是任意能够用于表示商户具有进行交易的资格的信息,例如营业执照、特定行业的行政许可等,所述文本信息可以是任意基于商户的历史交易行为所累积获得能够用于识别风险的信息,例如基于商户发货记录判定的经营地址、基于买家与商户在沟通记录所确定的商户的实际经营内容等。
对于买家而言,第二信息可以包括与参与交易的买家相关的动态信息和静态信息,其中,所述的动态信息是指在随交易时动态变化的信息,例如买家的位置信息、环境信息等,而静态信息是在每次交易时不易发生变化的内容,例如买家的账户信息、身份信息等。所述位置信息可以是进行交易时买家所处的位置,可以基于所使用的用户设备上的定位服务获取,例如买家通过手机扫码付款时,手机GPS定位服务所获取的位置信息即可以作为一项第一信息。买家的环境信息即为进行交易是买家所处的环境,可以基于所使用的用户设备在交易时所连接的WIFI的标签确定,或者也可以基于GIS(Geographic InformationSystem,地理信息系统)中POI(Point of Interest,兴趣点)信息确定。买家的账户信息可以是买家在进行交易时所使用的支付系统的账户相关的信息,例如账户的注册时间、信用值、日常交易额等。买家的身份信息可以是与买家本人的身份相关的任意信息,例如买家的年龄、性别、籍贯等,可以基于买家在注册支付系统账户时所绑定的身份信息获得。
步骤S202,根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户。
在根据所述第一信息和第二信息对所述商户进行一级识别时,可以基于目前常用的商户风险控制策略中的识别方式,即将所述第一信息和第二信息输入风控识别引擎,由所述分控识别引擎进行风险分层。现有技术中识别的结果一般采用二分类的方式,即将商户识别为两个黑和非黑分类,其中,黑商户即为可以直接定性存在风险、需要对其交易进行干预的商户,非黑商户则是无法直接定性存在风险的商户,包括确定不存在风险的白商户以及风险存疑的灰商户。
而本申请实施例提供的方案并非采用上述方式,而是将商户先初步判定为黑商户、白商户和灰商户,其中,黑商户即为确定存在风险的不良商户,白商户是确定不存在风险的正常商户,所述黑商户和白商户均为已定性商户,而灰商户则是风险存疑的、暂时无法确定是否存在风险的商户,属于未定性商户。
实际场景中,若风控识别引擎进行一级识别的方式是基于评分模型对商户进行风险评分,从而识别商户的风险,则可以设定相应的判定阈值,实现商户的风险分层。例如,对于进行交易的买家A和商户B,风控识别引擎获取其相应的第一信息和第二信息之后,输入评分模型后计算获得的风险评分值为N。若设定的判定阈值为20和80,即风险评分值未超过20即认定为白商户,风险评分值超过80即认定为黑商户,风险评分值在20至80之间的认定为灰商户,由此可以将所述商户B确定为已定性商户或未定性商户。
步骤S203,若所述商户为未定性商户,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息。
所述调研信息用于靶向获取用户反馈的特定内容的信息,例如调研信息可以是询问门店位置、询问商户是否在提供充值服务、询问从何处获取商户的付款二维码等的调研问题,从而引导买家反馈关于商户经营模式的相关内容。
在实际场景中,所述调研信息可以根据识别场景的需求预先设定备选的内容,例如在赌博、欺诈、套现等不良商户的识别场景中,所述调研信息可以预先设定好关于商户的经营模式、传播媒介、经营内容等方面的问题。在某一商户的一级识别的结果为未定性商户时,可以获取所述未定性商户的风险标签(infocode),而后根据所述风险标签向所述买家推送与所述风险标签对应的调研信息。
所述风险标签用于标识风险存疑的信息类别,例如,风控识别引擎进行一级识别时,会利用已有的第一信息和第二信息从N个方面对商户进行风险评分,而后综合N个风险评分,如采用加权计算的方式,最终计算出该商户为黑商户的可能性。若计算出某一商户为黑商户的可能性大于第一阈值,而小于第二阈值,因此被判定为未定性的灰商户。此时,可以从N个方面的风险评分中,选取评分最低的一个或者若干个,例如商户B在N个方面的风险评分中,其它方面的风险评分均较高,而关于经营模式方面的风险评分最低,拉低了商户B为黑商户的可能性,使得该商户B为黑商户的可能性稍低于第二阈值,虽然很有可能是黑商户,但仍无法确认。
由于此时商户B需要在关于经营模式方面的信息是存疑的,进一步确认商户B在经营模式方面是否符合不良商户的特点,就可以判定商户B到底是否为不良商户。因此,可以先确定商户B的风险标签,该风险标签用于标识关于经营模式方面的信息类别,而后根据风险标签标识的信息类别获取预设的用于作为调研信息的问题,如商户的门店位置在哪、商户是否提供充值服务等,将这些问题发送给关联的买家,从而获取到买家回答问题的反馈信息。
在实际场景中,为了便于买家进行反馈,除了预先设置好问题之外,还可以预先设置问题的答案选项,以单选的方式供用户选择,例如用户在提供反馈信息时,可以直接通过相应的选项选择门店位置处于商圈、住宅区或者是郊外等。
在本申请的一些实施例中,所述关联的买家可以是进行本次交易的买家,即在所述商户为未定性商户时,向进行本次交易的买家推送调研信息。在此实施例中,可以是在买家每次与商户进行交易时,采集进行交易的商户的第一信息和买家的第二信息,例如买家A与商户B进行一次交易时,基于提交的交易订单确定交易的双方为买家A和商户B,被动地获取买家A的第二信息和商户B的第一信息,并基于此进行一级识别。若一级识别的结果为商户B是未定性商户,此时可以向买家A推送调研信息,并获取所述买家A基于所述调研信息返回的反馈信息。由于向正在进行本次交易的买家进行交互调研,买家一般都会在看到信息之后即时反馈,因此反馈信息的获得的周期较短,实时性好,并且买家对于本次交易的交易细节清楚,不会造成反馈信息偏差。
在本申请的另一些实施例中,所述关联的买家也可以是预设时间段内与所述商户进行过交易的买家,即在所述商户为未定性商户时,向预设时间段内与所述商户进行过交易的买家推送调研信息。仍以买家A和商户B之间的交易为例,若商户B是未定性商户,可以先查询3天内与所述商户B进行过交易的买家,如买家C、买家D和买家E,由此向这几个买家推送调研信息,并获取所述买家C、D、E基于所述调研信息返回的反馈信息。
在本实施例中,预设时间段内与所述商户进行过交易的买家也可以包括与进行本次交易的买家A。此外,若预设时间段内与所述商户进行过交易的买家数量过多时,可以根据预设的规则从中选取部分买家发送调研信息,例如交易时间较近的几个买家,或者交易次数较多的几个买家等。
步骤S204,根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
由于反馈信息由买家主动交互提供的信息,利用买家对卖家的认知,能够弥补一级识别时信息不足对识别结果的影响,因此通过被动和主动的两次识别能够获得更加准确的识别结果。例如,对于前述的商户B,向买家A推送了关于经营模式方面的调研信息,并由此获取到的反馈信息为门店位置在人烟较少的郊外、并且提供充值服务。基于上述反馈信息,可以认为商户B的经营模式与赌博商户的经营模式较为符合,由此提高商户B关于经营模式方面的风险评分,重新结合其它方面的风险评分计算出该商户B为黑商户的可能性。此时,由于原来较低的一项风险评分已经提高,重新计算出的可能性将超出第二阈值,由此可以将未定性的灰商户B,确定为已定性的黑商户。
在此,本领域技术人员应当理解,上述根据所述第一信息和第二信息对所述商户进行一级识别,以及根据反馈信息进行二级识别的具体方式仅为举例,现有或今后出现的基于类似原理的其它形式如果能够适用于本申请,也应该包含在本申请的保护范围内,并以引用的形式包含于此。例如,处理基于评分模型进行评分并结合阈值判定之外,也可以采用深度学习模型进行分类识别等。
在本申请的一些实施例中,若基于反馈信息无法对所述未定性商户进行二级识别之后,仍无法将所述未定性商户确定为已定性商户,则可以再次向其它关联买家推送调研信息,或者是向相同的买家推送不同的调研信息,以获取更多的反馈信息,再次进行二级识别,直至基于足够多的反馈信息将商户确定为已定性商户。
例如,对于买家A与商户B进行的一次交易,在进行一级识别之后,确定商户B为未定性商户,可以向买家A推送几个用于调研的问题,用户,并获取所述买家A基于该问题的反馈信息,进行二级识别,若此时仍无法将商户B确定为已定性商户,则可以向买家A再次推送另一些问题,或者是向买家C、买家D和买家E推送用于调研的问题,基于这些反馈信息,再次进行二级识别,直至基于足够多的反馈信息将商户B确定为黑商户或者是白商户。
在本申请实施例提供的方案中,无论是由一级识别确定的已定性商户,还是由二级识别确定的的已定性商户,会对黑商户的交易进行管控,而对白商户的交易进行放行。例如,商户B被识别为黑商户,该黑商户B与买家A之间的交易会被进行管控。其中,管控的方式可以根据实际场景的需求设定,若是对于会造成用户财产损失的场景,如识别出诈骗商户时,管控的方式可以是终止交易,并向用户推送提示信息。
图3示出了一种基于本申请实施例提供的商户识别方案的商户风险控制策略的原理,采用被动信息采集和主动交互调研相结合的方式。其中,被动信息采集并进行风险分层的方式,与图1所示的方式类似,两者区别在于图中框体300中所示的部分,通过风控识别引擎进行风险分层,将商户的风险划分为已定性和未定性的两种,已定性的包括黑商户和白商户,未定性的商户通过透传风险标签,主动向交易的买家发起调研,采集买家的反馈信息,对未定性的商户进行识别,最终对商户进行风险划分,确定商户是高危还是低位。对于高危的商户,对其交易进行管控,而对于低危的商户,对其交易进行放行。
基于同一发明构思,本申请实施例中还提供了一商户识别设备,所述设备对应的方法是前述实施例中商户识别方法,并且其解决问题的原理与该方法相似。
本申请实施例提供的一种商户识别设备,该设备先通过采集进行交易的商户的第一信息和买家的第二信息,对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,对于未定性商户,可以采用主动交互的方式,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息,以此进行二级识别,利用买家对卖家的认知,获取包含更多内容的反馈信息,以弥补一级识别时信息不足对识别结果的影响,从而结合两次识别获得更加准确的识别结果,由此进行风险控制的干预措施也可以具有更高的覆盖率。
在实际场景中,所述商户识别设备可以是用户设备、网络设备或者用户设备与网络设备通过网络相集成所构成的设备,此外也可以是运行于上述设备中的程序。所述用户设备包括但不限于计算机、手机、平板电脑等各类终端设备;所述网络设备包括但不限于如网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现。在此,云由基于云计算(Cloud Computing)的大量主机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟计算机。
图4示出了本申请实施例提供的一种商户识别设备的结构,该设备包括信息采集模块410、一级识别模块420、调研交互模块430和二级识别模块440。其中,所述信息采集模块410用于采集进行交易的商户的第一信息和买家的第二信息。一级识别模块420用于根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户。调研交互模块430用于在所述商户为未定性商户时,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息。二级识别模块440用于根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
所述第一信息和第二信息均是指在实际交易过程中可以在不主动与买家或商户进行交互,能够直接采集到的信息。
对于商户而言,第一信息可以包括商户的资质信息、文本信息等静态信息,所述资质信息可以是任意能够用于表示商户具有进行交易的资格的信息,例如营业执照、特定行业的行政许可等,所述文本信息可以是任意基于商户的历史交易行为所累积获得能够用于识别风险的信息,例如基于商户发货记录判定的经营地址、基于买家与商户在沟通记录所确定的商户的实际经营内容等。
对于买家而言,第二信息可以包括与参与交易的买家相关的动态信息和静态信息,其中,所述的动态信息是指在随交易时动态变化的信息,例如买家的位置信息、环境信息等,而静态信息是在每次交易时不易发生变化的内容,例如买家的账户信息、身份信息等。所述位置信息可以是进行交易时买家所处的位置,可以基于所使用的用户设备上的定位服务获取,例如买家通过手机扫码付款时,手机GPS定位服务所获取的位置信息即可以作为一项第一信息。买家的环境信息即为进行交易是买家所处的环境,可以基于所使用的用户设备在交易时所连接的WIFI的标签确定,或者也可以基于GIS(Geographic InformationSystem,地理信息系统)中POI(Point of Interest,兴趣点)信息确定。买家的账户信息可以是买家在进行交易时所使用的支付系统的账户相关的信息,例如账户的注册时间、信用值、日常交易额等。买家的身份信息可以是与买家本人的身份相关的任意信息,例如买家的年龄、性别、籍贯等,可以基于买家在注册支付系统账户时所绑定的身份信息获得。
所述一级识别模块在根据所述第一信息和第二信息对所述商户进行一级识别时,可以基于目前常用的商户风险控制策略中的识别方式,即将所述第一信息和第二信息输入风控识别引擎,由所述分控识别引擎进行风险分层。现有技术中识别的结果一般采用二分类的方式,即将商户识别为两个黑和非黑分类,其中,黑商户即为可以直接定性存在风险、需要对其交易进行干预的商户,非黑商户则是无法直接定性存在风险的商户,包括确定不存在风险的白商户以及风险存疑的灰商户。
而本申请实施例提供的方案并非采用上述方式,而是将商户先初步判定为黑商户、白商户和灰商户,其中,黑商户即为确定存在风险的不良商户,白商户是确定不存在风险的正常商户,所述黑商户和白商户均为已定性商户,而灰商户则是风险存疑的、暂时无法确定是否存在风险的商户,属于未定性商户。
实际场景中,若风控识别引擎进行一级识别的方式是基于评分模型对商户进行风险评分,从而识别商户的风险,则可以设定相应的判定阈值,实现商户的风险分层。例如,对于进行交易的买家A和商户B,风控识别引擎获取其相应的第一信息和第二信息之后,输入评分模型后计算获得的风险评分值为N。若设定的判定阈值为20和80,即风险评分值未超过20即认定为白商户,风险评分值超过80即认定为黑商户,风险评分值在20至80之间的认定为灰商户,由此可以将所述商户B确定为已定性商户或未定性商户。
所述调研信息用于靶向获取用户反馈的特定内容的信息,例如调研信息可以是询问门店位置、询问商户是否在提供充值服务、询问从何处获取商户的付款二维码等的调研问题,从而引导买家反馈关于商户经营模式的相关内容。
在实际场景中,所述调研信息可以根据识别场景的需求预先设定备选的内容,例如在赌博、欺诈、套现等不良商户的识别场景中,所述调研信息可以预先设定好关于商户的经营模式、传播媒介、经营内容等方面的问题。在某一商户的一级识别的结果为未定性商户时,可以获取所述未定性商户的风险标签(infocode),而后根据所述风险标签向所述买家推送与所述风险标签对应的调研信息。
所述风险标签用于标识风险存疑的信息类别,例如,风控识别引擎进行一级识别时,会利用已有的第一信息和第二信息从N个方面对商户进行风险评分,而后综合N个风险评分,如采用加权计算的方式,最终计算出该商户为黑商户的可能性。若计算出某一商户为黑商户的可能性大于第一阈值,而小于第二阈值,因此被判定为未定性的灰商户。此时,可以从N个方面的风险评分中,选取评分最低的一个或者若干个,例如商户B在N个方面的风险评分中,其它方面的风险评分均较高,而关于经营模式方面的风险评分最低,拉低了商户B为黑商户的可能性,使得该商户B为黑商户的可能性稍低于第二阈值,虽然很有可能是黑商户,但仍无法确认。
由于此时商户B需要在关于经营模式方面的信息是存疑的,进一步确认商户B在经营模式方面是否符合不良商户的特点,就可以判定商户B到底是否为不良商户。因此,可以先确定商户B的风险标签,该风险标签用于标识关于经营模式方面的信息类别,而后根据风险标签标识的信息类别获取预设的用于作为调研信息的问题,如商户的门店位置在哪、商户是否提供充值服务等,将这些问题发送给关联的买家,从而获取到买家回答问题的反馈信息。
在实际场景中,为了便于买家进行反馈,除了预先设置好问题之外,还可以预先设置问题的答案选项,以单选的方式供用户选择,例如用户在提供反馈信息时,可以直接通过相应的选项选择门店位置处于商圈、住宅区或者是郊外等。
在本申请的一些实施例中,所述关联的买家可以是进行本次交易的买家,即在所述商户为未定性商户时,所述调研交互模块向进行本次交易的买家推送调研信息。在此实施例中,可以是在买家每次与商户进行交易时,采集进行交易的商户的第一信息和买家的第二信息,例如买家A与商户B进行一次交易时,基于提交的交易订单确定交易的双方为买家A和商户B,被动地获取买家A的第二信息和商户B的第一信息,并基于此进行一级识别。若一级识别的结果为商户B是未定性商户,此时可以向买家A推送调研信息,并获取所述买家A基于所述调研信息返回的反馈信息。由于向正在进行本次交易的买家进行交互调研,买家一般都会在看到信息之后即时反馈,因此反馈信息的获得的周期较短,实时性好,并且买家对于本次交易的交易细节清楚,不会造成反馈信息偏差。
在本申请的另一些实施例中,所述关联的买家也可以是预设时间段内与所述商户进行过交易的买家,即在所述商户为未定性商户时,所述调研交互模块会向预设时间段内与所述商户进行过交易的买家推送调研信息。仍以买家A和商户B之间的交易为例,若商户B是未定性商户,可以先查询3天内与所述商户B进行过交易的买家,如买家C、买家D和买家E,由此向这几个买家推送调研信息,并获取所述买家C、D、E基于所述调研信息返回的反馈信息。
在本实施例中,预设时间段内与所述商户进行过交易的买家也可以包括与进行本次交易的买家A。此外,若预设时间段内与所述商户进行过交易的买家数量过多时,可以根据预设的规则从中选取部分买家发送调研信息,例如交易时间较近的几个买家,或者交易次数较多的几个买家等。
二级识别模块根据所述反馈信息对所述未定性商户进行二级识别的过程中,由于反馈信息由买家主动交互提供的信息,利用买家对卖家的认知,能够弥补一级识别时信息不足对识别结果的影响,因此通过被动和主动的两次识别能够获得更加准确的识别结果。例如,对于前述的商户B,向买家A推送了关于经营模式方面的调研信息,并由此获取到的反馈信息为门店位置在人烟较少的郊外、并且提供充值服务。基于上述反馈信息,可以认为商户B的经营模式与赌博商户的经营模式较为符合,由此提高商户B关于经营模式方面的风险评分,重新结合其它方面的风险评分计算出该商户B为黑商户的可能性。此时,由于原来较低的一项风险评分已经提高,重新计算出的可能性将超出第二阈值,由此可以将未定性的灰商户B,确定为已定性的黑商户。
在此,本领域技术人员应当理解,上述根据所述第一信息和第二信息对所述商户进行一级识别,以及根据反馈信息进行二级识别的具体方式仅为举例,现有或今后出现的基于类似原理的其它形式如果能够适用于本申请,也应该包含在本申请的保护范围内,并以引用的形式包含于此。例如,处理基于评分模型进行评分并结合阈值判定之外,也可以采用深度学习模型进行分类识别等。
在本申请的一些实施例中,若基于反馈信息无法对所述未定性商户进行二级识别之后,仍无法将所述未定性商户确定为已定性商户,则可以再次向其它关联买家推送调研信息,或者是向相同的买家推送不同的调研信息,以获取更多的反馈信息,再次进行二级识别,直至基于足够多的反馈信息将商户确定为已定性商户。
例如,对于买家A与商户B进行的一次交易,在进行一级识别之后,确定商户B为未定性商户,可以向买家A推送几个用于调研的问题,用户,并获取所述买家A基于该问题的反馈信息,进行二级识别,若此时仍无法将商户B确定为已定性商户,则可以向买家A再次推送另一些问题,或者是向买家C、买家D和买家E推送用于调研的问题,基于这些反馈信息,再次进行二级识别,直至基于足够多的反馈信息将商户B确定为黑商户或者是白商户。
在本申请实施例提供的方案中,还可以包括一决策处理模块,无论是由一级识别确定的已定性商户,还是由二级识别确定的的已定性商户,决策处理模块会对黑商户的交易进行管控,而对白商户的交易进行放行。例如,商户B被识别为黑商户,该黑商户B与买家A之间的交易会被进行管控。其中,管控的方式可以根据实际场景的需求设定,若是对于会造成用户财产损失的场景,如识别出诈骗商户时,管控的方式可以是终止交易,并向用户推送提示信息。
综上所述,本申请实施例提供的商户识别方案中,先通过采集进行交易的商户的第一信息和买家的第二信息,并根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户。对于未定性商户,可以采用主动交互的方式,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息,以此进行二级识别,利用买家对卖家的认知,获取包含更多内容的反馈信息,以弥补一级识别时信息不足对识别结果的影响,从而结合两次识别获得更加准确的识别结果。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一些实施例包括一个如图5所示的计算设备,该设备包括存储有计算机可读指令的一个或多个存储器510和用于执行计算机可读指令的处理器520,其中,当该计算机可读指令被该处理器执行时,使得所述设备执行基于前述本申请的多个实施例的方法和/或技术方案。
此外,本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (12)
1.一种商户识别方法,其中,该方法包括:
采集进行交易的商户的第一信息和买家的第二信息;
根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户;
若所述商户为未定性商户,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息;
根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
2.根据权利要求1所述的方法,其中,若所述商户为未定性商户,向所述买家推送调研信息,包括:
若所述商户为未定性商户,获取所述未定性商户的风险标签,所述风险标签用于标识风险存疑的信息类别;
根据所述风险标签向所述买家推送与所述风险标签对应的调研信息。
3.根据权利要求1所述的方法,其中,若所述商户为未定性商户,向关联的买家推送调研信息,包括:
若所述商户为未定性商户,向进行本次交易的买家推送调研信息。
4.根据权利要求1所述的方法,其中,若所述商户为未定性商户,向关联的买家推送调研信息,包括:
若所述商户为未定性商户,向预设时间段内与所述商户进行过交易的买家推送调研信息。
5.根据权利要求1至5中任一项所述的方法,其中,该方法还包括:
对黑商户的交易进行管控,对白商户的交易进行放行。
6.一种商户识别设备,其中,该设备包括:
信息采集模块,用于采集进行交易的商户的第一信息和买家的第二信息;
一级识别模块,用于根据所述第一信息和第二信息对所述商户进行一级识别,将所述商户确定为已定性商户或未定性商户,其中,所述已定性商户包括确定存在风险的黑商户或确定不存在风险的白商户,所述未定性商户为风险存疑的灰商户;
调研交互模块,用于在所述商户为未定性商户时,向关联的买家推送调研信息,并获取所述买家基于所述调研信息返回的反馈信息;
二级识别模块,用于根据所述反馈信息,对所述未定性商户进行二级识别,将所述未定性商户确定为已定性商户。
7.根据权利要求6所述的设备,其中,所述调研交互模块,用于在所述商户为未定性商户时,获取所述未定性商户的风险标签,所述风险标签用于标识风险存疑的信息类别;根据所述风险标签向所述买家推送与所述风险标签对应的调研信息。
8.根据权利要求1所述的设备,其中,所述调研交互模块,用于在所述商户为未定性商户时,向进行本次交易的买家推送调研信息。
9.根据权利要求1所述的设备,其中,所述调研交互模块,用于在所述商户为未定性商户时,向预设时间段内与所述商户进行过交易的买家推送调研信息。
10.根据权利要求6至9中任一项所述的设备,其中,该设备还包括:
决策处理模块,用于对黑商户的交易进行管控,对白商户的交易进行放行。
11.一种计算设备,其中,该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行权利要求1至5中任一项所述的方法。
12.一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055735.3A CN111062770B (zh) | 2019-10-31 | 2019-10-31 | 商户识别方法、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055735.3A CN111062770B (zh) | 2019-10-31 | 2019-10-31 | 商户识别方法、设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062770A true CN111062770A (zh) | 2020-04-24 |
CN111062770B CN111062770B (zh) | 2023-07-18 |
Family
ID=70297617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911055735.3A Active CN111062770B (zh) | 2019-10-31 | 2019-10-31 | 商户识别方法、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062770B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539739A (zh) * | 2020-05-06 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种风险检测方法、装置及设备 |
CN112581271A (zh) * | 2020-12-21 | 2021-03-30 | 上海浦东发展银行股份有限公司 | 一种商户交易风险监测方法、装置、设备及存储介质 |
CN113034153A (zh) * | 2021-03-26 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169192A1 (en) * | 2008-12-31 | 2010-07-01 | Scott Zoldi | Detection Of Compromise Of Merchants, ATMS, And Networks |
US20110225076A1 (en) * | 2010-03-09 | 2011-09-15 | Google Inc. | Method and system for detecting fraudulent internet merchants |
US8027912B1 (en) * | 2009-04-30 | 2011-09-27 | Intuit Inc. | System and method for merchant risk management |
WO2012170733A1 (en) * | 2011-06-09 | 2012-12-13 | Google Inc. | Evaluating merchant trustworthiness |
CN103049853A (zh) * | 2012-12-19 | 2013-04-17 | 胡绍珠 | 店铺真伪识别装置及验证方法 |
US20140236661A1 (en) * | 2013-02-21 | 2014-08-21 | Wal-Mart Stores, Inc. | Supplier analysis and verification system and method |
US20150161620A1 (en) * | 2013-12-06 | 2015-06-11 | Cube, Co. | System and method for risk and fraud mitigation for merchant on-boarding |
US20150348042A1 (en) * | 2014-05-27 | 2015-12-03 | The Toronto-Dominion Bank | Systems and methods for providing merchant fraud alerts |
CN108647977A (zh) * | 2018-04-25 | 2018-10-12 | 合肥上城信息技术有限公司 | 一种商户审核评测平台及其方法 |
CN109615461A (zh) * | 2018-11-09 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 目标用户识别方法、违规商户识别方法和装置 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110046902A (zh) * | 2019-01-15 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 风险交易处理方法、装置及设备 |
CN110060068A (zh) * | 2019-02-14 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 商户评估方法、装置、电子设备及可读存储介质 |
US20190266529A1 (en) * | 2016-06-10 | 2019-08-29 | OneTrust, LLC | Data processing systems for identifying, assessing, and remediating data processing risks using data modeling techniques |
CN110245941A (zh) * | 2019-04-25 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法及装置 |
CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
-
2019
- 2019-10-31 CN CN201911055735.3A patent/CN111062770B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169192A1 (en) * | 2008-12-31 | 2010-07-01 | Scott Zoldi | Detection Of Compromise Of Merchants, ATMS, And Networks |
US8027912B1 (en) * | 2009-04-30 | 2011-09-27 | Intuit Inc. | System and method for merchant risk management |
US20110225076A1 (en) * | 2010-03-09 | 2011-09-15 | Google Inc. | Method and system for detecting fraudulent internet merchants |
WO2012170733A1 (en) * | 2011-06-09 | 2012-12-13 | Google Inc. | Evaluating merchant trustworthiness |
CN103049853A (zh) * | 2012-12-19 | 2013-04-17 | 胡绍珠 | 店铺真伪识别装置及验证方法 |
US20140236661A1 (en) * | 2013-02-21 | 2014-08-21 | Wal-Mart Stores, Inc. | Supplier analysis and verification system and method |
US20150161620A1 (en) * | 2013-12-06 | 2015-06-11 | Cube, Co. | System and method for risk and fraud mitigation for merchant on-boarding |
US20150348042A1 (en) * | 2014-05-27 | 2015-12-03 | The Toronto-Dominion Bank | Systems and methods for providing merchant fraud alerts |
US20190266529A1 (en) * | 2016-06-10 | 2019-08-29 | OneTrust, LLC | Data processing systems for identifying, assessing, and remediating data processing risks using data modeling techniques |
CN108647977A (zh) * | 2018-04-25 | 2018-10-12 | 合肥上城信息技术有限公司 | 一种商户审核评测平台及其方法 |
CN109615461A (zh) * | 2018-11-09 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 目标用户识别方法、违规商户识别方法和装置 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110046902A (zh) * | 2019-01-15 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 风险交易处理方法、装置及设备 |
CN110060068A (zh) * | 2019-02-14 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 商户评估方法、装置、电子设备及可读存储介质 |
CN110245941A (zh) * | 2019-04-25 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法及装置 |
CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539739A (zh) * | 2020-05-06 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种风险检测方法、装置及设备 |
CN112581271A (zh) * | 2020-12-21 | 2021-03-30 | 上海浦东发展银行股份有限公司 | 一种商户交易风险监测方法、装置、设备及存储介质 |
CN113034153A (zh) * | 2021-03-26 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
CN113034153B (zh) * | 2021-03-26 | 2022-08-02 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111062770B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062770B (zh) | 商户识别方法、设备及计算机可读介质 | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
EP3414957A1 (en) | Method and system for determining terminal location | |
KR20200008486A (ko) | 블록체인 기반의 콘텐츠 리워드 제공 방법 및 시스템 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
CN107807941A (zh) | 信息处理方法和装置 | |
US20150178749A1 (en) | Methods, systems and computer readable media for predicting consumer purchase behavior | |
CN110148000A (zh) | 一种应用于支付平台的安全管控系统和方法 | |
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 | |
CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
CN109949150A (zh) | 一种基于场景的用户授信方法、装置、服务器和存储介质 | |
CN109360044A (zh) | 一种跨境电子商务销售管理系统及方法 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
CN110858326A (zh) | 模型训练及获取附加特征数据的方法、装置、设备及介质 | |
CN108769208A (zh) | 特定用户识别及信息推送方法和装置 | |
CN112819476A (zh) | 风险识别方法、装置、非易失性存储介质和处理器 | |
CN110348983B (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
CN110334936B (zh) | 一种信贷资质评分模型的构建方法、装置和设备 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN111681050A (zh) | 一种广告推送方法、装置、设备和存储介质 | |
CN108961037B (zh) | 一种基于对车辆使用情况评估算法的车辆贷款风控方法及装置 | |
CN116468444A (zh) | 一种消费预警方法、系统、设备和存储介质 | |
CN101449284A (zh) | 使用互相关的流量参数对至网络站点的流量质量进行的评分 | |
US20210397602A1 (en) | Systems and methods for analyzing electronic data to determine faults in a transit system |
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 |