CN111192045A - 基于交易记录信息的反作弊方法、装置和系统 - Google Patents

基于交易记录信息的反作弊方法、装置和系统 Download PDF

Info

Publication number
CN111192045A
CN111192045A CN201911290176.4A CN201911290176A CN111192045A CN 111192045 A CN111192045 A CN 111192045A CN 201911290176 A CN201911290176 A CN 201911290176A CN 111192045 A CN111192045 A CN 111192045A
Authority
CN
China
Prior art keywords
cheating
user
information
transaction
record
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
Application number
CN201911290176.4A
Other languages
English (en)
Inventor
于洋
王安滨
常富洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qilu Information Technology Co Ltd
Original Assignee
Beijing Qilu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Qilu Information Technology Co Ltd filed Critical Beijing Qilu Information Technology Co Ltd
Priority to CN201911290176.4A priority Critical patent/CN111192045A/zh
Publication of CN111192045A publication Critical patent/CN111192045A/zh
Pending legal-status Critical Current

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
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于交易记录信息的反作弊方法、装置和系统。该反作弊方法包括：获取历史用户的交易记录信息，提取历史用户的交易记录信息中的交易关联人信息，对历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；建立作弊评估模型，并训练作弊评估模型；获取目标用户的交易记录信息，提取目标用户的交易记录信息中的交易关联人信息，生成该目标用户的交易关联人作弊统计信息；将目标用户的交易关联人作弊统计信息输入作弊评估模型，计算所述目标用户的用户作弊指数；根据用户作弊指数，对用户进行分类。本发明的反作弊方法优化了目标数据，提高了作弊评估的准确性，通用性强。

Description

基于交易记录信息的反作弊方法、装置和系统
技术领域
本发明涉及电子商务技术领域，具体涉及一种基于交易记录信息的反作弊方法、装置和系统。
背景技术
通过互联网申请贷款的信贷模式已得到长足发展。然而，相比于传统的信贷模式，网上申请贷款在带给人们便利性同时，也给信贷业务部门带来了金融风险的增加。如果不能很好的进行作弊行为的识别和处理，将会给互联网金融平台带来了难以估量的损失。
现有技术中，为了降低信贷风险，可以直接利用现有的信用评分模型对信贷申请人进行评分，根据评分来量化借贷申请人的信用风险或还款能力。
然而，现有反作弊方法对于专门通过作弊手段来进行骗贷等操作的个体用户或者组织来说，实际作用比较小，尤其是作弊组织，他们可能通过伪造或屏蔽数据等作弊方式来获得较高的信用评分，还通过例如注册领红包等方式只拿利润、不买金融产品等等。
为了进行有效的反作弊，现有技术通过建立专门的反作弊评估模型对信贷申请人进行作弊评分，但是，由于作弊行为发生的概率较少，数据量不足，因此目前的反作弊模型基于的数据较为单一，通常缺少大量的样本数据来进行模型的优化，存在反作弊方法不能准确、高效地进行作弊人的识别等一系列问题。另外，现有的反作弊方法还存在通用性低等问题。
综上，在目标数据优化和高效识别作弊用户方面仍存在很大改进空间，因此，有必要提供一种更精准的反作弊方法。
发明内容
为了解决上述问题，本发明提供了一种基于交易记录信息的反作弊方法，包括：获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；建立作弊评估模型，使用所述历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型；获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息；将所述目标用户的交易关联人作弊统计信息输入所述作弊评估模型，计算所述目标用户的用户作弊指数；根据用户作弊指数，对用户进行分类。
优选地，所述根据用户作弊指数，对用户进行分类包括：将用户作弊指数与第一预设作弊阈值进行比较，在所述用户作弊指数大于所述第一预设作弊阈值的情况下，所述用户为作弊用户；在用户的用户作弊指数小于等于第一预设作弊阈值的情况下，所述用户为非作弊用户。
优选地，所述交易记录信息包括交易推荐记录、团体交易记录、支付转移记录中的至少一种。
优选地，所述交易推荐记录为购物推荐记录，该购物推荐记录包括购物人和购物推荐人；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将所述购物推荐人和购物人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有团购发起人和/或团购参与人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人、代付参与人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有购物人和代付参与人作为交易关联人。
优选地，通过流水号、链接号或商品订单号获得交易关联人的信息。
优选地，通过代付链接号、商品订单号或交易ID获得交易关联人的信息。
另外，本发明还提供了一种基于交易记录信息的反作弊装置，包括：数据获取模块，其用于获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；训练模块，建立作弊评估模型，使用所述历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型；数据处理模块，其用于获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息；数据计算模块，其用于将所述目标用户的交易关联人作弊统计信息输入所述作弊评估模型，计算所述目标用户的用户作弊指数；数据分类模块，根据用户作弊指数，对用户进行分类。
优选地，所述数据分类模块还包括：将用户作弊指数与第一预设作弊阈值进行比较，在所述用户作弊指数大于所述第一预设作弊阈值的情况下，所述用户为作弊用户；在用户的用户作弊指数小于等于第一预设作弊阈值的情况下，所述用户为非作弊用户。
优选地，所述交易记录信息包括交易推荐记录、团体交易记录、支付转移记录中的至少一种。
优选地，所述交易推荐记录为购物推荐记录，该购物推荐记录包括购物人和购物推荐人；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将所述购物推荐人和购物人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有团购发起人和/或团购参与人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人、代付参与人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有购物人和代付参与人作为交易关联人。
优选地，通过流水号、链接号或商品订单号获得交易关联人的信息。
优选地，通过代付链接号、商品订单号或交易ID获得交易关联人的信息。
此外，本发明还提供了一种反作弊系统，其中，所述反作弊系统包括：处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据本发明所述的反作弊方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的反作弊方法。
有益效果
与现有技术相比，本发明的反作弊方法应用广泛，特别适用于大规模数据处理和分析，通用性强。本发明的反作弊方法通过使用交易记录信息数据，优化了目标数据，解决了作弊评估模型的数据来源单一的问题，提高了作弊评估的准确性；计算方法简单。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的基于交易记录信息的反作弊方法的一示例的流程图。
图2是本发明的实施例1的用户的购物关系网络图的一示例的示意图。
图3是本发明的实施例1的用户的交易记录信息的一示例的示意图。
图4是本发明的基于交易记录信息的反作弊方法的另一示例的流程图。
图5是本发明的实施例2的反作弊装置的一示例的示意图。
图6是本发明的实施例2的反作弊装置的一示例的示意图。
图7是根据本发明的一种反作弊系统的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
随着互联网技术的发展，人与人之间的关联关系也发生了深刻的变化，传统的以家庭成员、朋友、工作伙伴等建立的关系被弱化，借助于便携的互联网，人与人之间越来越倾向于形成以共同的兴趣、共同的行为偏好为基础的小众团体。这些团体之间往往不借助传统的电话、短信等进行沟通，实际的地理位置也较为分散，传统的社交关系网数据或基于地理位置的数据很难覆盖到这些团体。为了解决反作弊方法的数据来源不足的问题，本发明的发明人发现，尽管这些小众团体的传统关联数据难以覆盖，但是，由于这些小众团体往往具有相同的兴趣或爱好，其往往具有相同的购物倾向，基购物行为往往具有相关性。由此，本发明创造性地提出利用用户之间的购物关系来获取这些用户之间的关系，并以此来评估用户对于金融产品的作弊概率，以达到更精准的反作弊效果。
下面，将参照图1至图4描述本发明的基于交易记录信息的反作弊方法。
图1为本发明的基于交易记录信息的反作弊方法的流程图。如图1所示，一种基于交易记录信息的反作弊方法，该反作弊方法包括如下步骤。
在步骤S101中，获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息。
在本发明中，可以通过多种途径获取交易记录信息。例如通过查询包含用户行为的数据库(通话记录、网购记录、APP通讯录等)来获得。或者通过购物网站、第三方网站等直接获取，还可以从关系网络图(例如为基于通信数据或基于购物数据的关系网络图)中的节点提取数据。但是不限于此，还可以通过其他方式获取。
进一步地，交易记录信息包括购物交易记录信息、金融交易记录信息和服务交易记录信息等。
具体地，交易记录信息包括用户之间的交易推荐记录、团体交易记录、支付转移记录中的至少一种。在本实施例中，交易记录信息是指购物交易记录信息。
需要说明的是，在本实施例中，历史作弊信息是指历史用户的所有交易关联人对金融产品所表现的不良行为信息，例如拒贷次数、逾期次数、被催收次数等。
为了进一步提高反作弊方法的准确性和通用性，本发明通过从基于购物关系的购物交易记录信息中提取数据，进一步优化目标数据，从而实现本发明的目的，具体如下。
如图1所示，在步骤S102中，建立作弊评估模型，使用历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型。
进一步地，所述作弊评估模型通过用户的所有关联人的作弊信息，对用户进行作弊评估。
在本实施例中，作弊评估模型优选使用神经网络模型，但是不限于此，还可以使用决策树、线性规划等非参数模型，在其他实施例中，还可以使用线性回归模型、逻辑回归模型等参数模型。
接下来，将描述步骤S103。在步骤S103中，获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息。
下面，将参照图2对交易记录信息进行具体说明。图2是用户的购物关系网络图的一示例的示意图。
如图2所示，在将购物人和购物推荐人作为交易关联人的一示例中，用户A和用户B之间具有交易推荐记录，该交易推荐记录为购物推荐记录，所述购物推荐记录包括购物人和购物推荐人，例如用户B(即，作为购物推荐人)向用户A通过微信、电话、短信等方式推荐过某商品，以使两用户之间产生相互关联的数据。类似地，用户A(即，作为购物推荐人)向用户D通过微信、电话、短信等方式推荐过某商品，以使两用户之间产生相互关联的数据。
例如，在用户A向用户D推荐某商品之后并且D用户购买了该产品的情况下，通过交易ID、推荐链接号将商品信息、购物人信息及推荐人信息等关联起来，换言之，通过推荐链接号能够获得商品订单信息、购物推荐人信息和购物人信息，具体参见图3。因此，通过用户关系网络图中的购物推荐记录数据确定用户A的交易关联人(即用户B和用户D)，提取用户B和用户D的特征数据，以用于对用户A进行预测或评估。
在另一示例中，将同一团购记录中的所有团购发起人和/或团购参与人作为交易关联人。从图2中可知，用户A与用户C、F之间具有团购记录(即团体交易记录)，该团购记录包括团购发起人和/或团购参与人信息。具体地，用户C(作为团购发起人)与用户A、F(团购参与人)拼团购买过同一商品。例如，用户C通过向用户A、F发团购链接，用户H帮用户C代付了该商品，用户A、C、F一起购买某产品。通过一定时间内购物关系中的团购次数、发链接次数等判断用户之间的购物关联度，并根据上述购物关联度来评估用户A的作弊指数，因此，进一步优化目标数据，解决了作弊评估模型的数据来源单一的问题，提高了作弊评估的准确性。
进一步地，如图3所示，团购记录包括商品信息、团购发起人的信息、团购参与人的信息等，上述这些信息通过流水号、链接号、商品订单号等关联起来。换言之，通过流水号、链接号、商品订单号等，能够获得用户A及其交易关联人用户C、F的信息。
需要说明的是，在本实施例中，商品信息包括商品名称、商品价格、品牌、店铺信息、购买时间等。团购发起人和团购参与人的信息均包括用户收货地址、购买时间、发票信息等。具体参见图3。
此外，在又一示例中，将用户G、用户E作为的用户A的交易关联人，用户A与用户G之间在一定时间内有多次支付转移记录，例如用户A购买商品时通过代付链接等方式让用户G支付完成订单，用户A是购物发起人或者购物参与人，用户E与用户A共同购买了某商品。由此，可判断用户A与用户G的关系度比较大。因此，基于这种关系度及用户G的特征数据来评估用户A，进一步优化目标数据，解决了作弊评估模型的数据来源单一的问题，提高了作弊评估的准确性。
同样地，通过代付链接号、订单号、交易ID等将具有团购关系的参与人信息、商品信息等关联起来，换言之，通过代付链接号、订单号、交易ID能够找到支付转移记录中每个参与人的信息和商品信息。
在本发明中，交易关联人是指任何与目标用户具有购物行为关联的人。
需要说明的是，上述交易关联人的三个示例仅用于说明，不能理解成对本发明的限制，在其他实施例中，目标用户的交易关联人还可以是其他组合方式，例如包括购物推荐人(购物发起人)、代付参与人和/或购物参与人等。
进一步地，基于购物交易记录信息，确定目标用户的交易关联人之后，通过上述各种方式提取目标用户的所有交易关联人信息，对所有交易关联人的历史作弊信息并进行统计，生成该目标用户的交易关联人作弊统计信息。
需要说明的是，交易关联人作弊统计信息例如包括贷款次数、贷款金额、贷款时间、拒贷次数、逾期次数、被催收次数、是否存在信贷被拒绝的记录、是否存在被催收的记录。除了上述数据外，还包括关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比等等。
接下来，将描述步骤S104。步骤S104是计算目标用户的作弊指数的步骤。在步骤S104中，将所生成的目标用户的交易关联人作弊统计信息作为输入特征，输入上述作弊评估模型，以计算目标用户的用户作弊指数。
接下来，将描述步骤S105。在步骤S105中，基于用户作弊指数，对用户进行分类。
在本发明的反作弊方法中，基于历史用户的历史数据，预设第一预设作弊指数，该第一预设作弊指数用于判断用户是否为作弊用户。具体地，将目标用户的用户作弊指数与第一预设作弊阈值进行比较，在用户作弊指数大于所述第一预设作弊阈值的情况下，所述目标用户为作弊用户。在目标用户的用户作弊指数小于等于第一预设作弊阈值的情况下，目标用户为非作弊用户。
进一步地，基于用户作弊指数，针对所计算的作弊用户进行相应处理，例如“不良”标记、拒绝、降低信用度等方式。
在其他实施例中，对非作弊用户进行进一步筛选分类，并储存相关数据，以用于后续数据分析等。
需要说明的是，上述仅为优选的实施例，不能理解成对本发明的限制。在其他实施例中，还可以根据作弊指数，采取对应的反作弊方案。此外，在其他实施例中，步骤S102还可以拆分成两个步骤(S201和S102)，具体参见图4。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，与现有技术相比，本发明的反作弊方法应用广泛，特别适用于大规模数据处理和分析，通用性强。本发明的反作弊方法通过使用交易记录信息数据，优化了目标数据，解决了作弊评估模型的数据来源单一的问题，提高了作弊评估的准确性；计算方法简单。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图5和图6，本发明还提供了一种基于交易记录信息的反作弊装置500，包括：数据获取模块501，其用于获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；训练模块502，建立作弊评估模型，使用所述历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型；数据处理模块503，其用于获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息；数据计算模块504，其用于将所述目标用户的交易关联人作弊统计信息输入所述作弊评估模型，计算所述目标用户的用户作弊指数；数据分类模块505，根据用户作弊指数，对用户进行分类。
优选地，所述数据分类模块505还包括：将用户作弊指数与第一预设作弊阈值进行比较，在所述用户作弊指数大于所述第一预设作弊阈值的情况下，所述用户为作弊用户；在用户的用户作弊指数小于等于第一预设作弊阈值的情况下，所述用户为非作弊用户。
优选地，所述交易记录信息包括交易推荐记录、团体交易记录、支付转移记录中的至少一种。
优选地，所述交易推荐记录为购物推荐记录，该购物推荐记录包括购物人和购物推荐人；
所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将所述购物推荐人和购物人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有团购发起人和/或团购参与人作为交易关联人。
优选地，所述团体交易记录为团购记录，该团购记录包括团购发起人、代付参与人和/或团购参与人信息；所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有购物人和代付参与人作为交易关联人。
优选地，通过流水号、链接号或商品订单号获得交易关联人的信息。
优选地，通过代付链接号、商品订单号或交易ID获得交易关联人的信息。
在其他实施例中，还可以将训练模块502拆成两个模块，例如模型建立模块601和训练模块502，具体参见图6，上述仅用于说明，不能理解成对本发明的限制。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
实施例3
下面描述本发明的反作弊系统实施例，该反作弊系统可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明反作弊系统实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明反作弊系统实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种反作弊系统的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的反作弊系统200。图7显示的反作弊系统200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，反作弊系统200以通用计算设备的形式表现。反作弊系统200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
反作弊系统200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该反作弊系统200交互的设备通信，和/或与使得该反作弊系统200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，反作弊系统200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与反作弊系统200的其它模块通信。应当明白，尽管图中未示出，可以结合反作弊系统200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：使用历史用户的APP下载序列向量数据和逾期信息作为训练数据，对所创建的用户风险控制模型进行训练，使用所创建的用户风险控制模型计算目标用户的金融风险预测值。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者反作弊系统固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于交易记录信息的反作弊方法，其特征在于，包括：
获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；
建立作弊评估模型，使用所述历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型；
获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息；
将所述目标用户的交易关联人作弊统计信息输入所述作弊评估模型，计算所述目标用户的用户作弊指数；
根据用户作弊指数，对用户进行分类。
2.根据权利要求1所述的反作弊方法，其特征在于，所述根据用户作弊指数，对用户进行分类包括：
将用户作弊指数与第一预设作弊阈值进行比较，在所述用户作弊指数大于所述第一预设作弊阈值的情况下，所述用户为作弊用户；
在用户的用户作弊指数小于等于第一预设作弊阈值的情况下，所述用户为非作弊用户。
3.根据权利要求1-2所述的反作弊方法，其特征在于，所述交易记录信息包括交易推荐记录、团体交易记录、支付转移记录中的至少一种。
4.根据权利要求1-3所述的反作弊方法，其特征在于，
所述交易推荐记录为购物推荐记录，该购物推荐记录包括购物人和购物推荐人；
所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将所述购物推荐人和购物人作为交易关联人。
5.根据权利要求1-4所述的反作弊方法，其特征在于，所述团体交易记录为团购记录，该团购记录包括团购发起人和/或团购参与人信息；
所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有团购发起人和/或团购参与人作为交易关联人。
6.根据权利要求1-5的反作弊方法，其特征在于，所述团体交易记录为团购记录，该团购记录包括团购发起人、代付参与人和/或团购参与人信息；
所述提取所述历史用户的交易记录信息中的交易关联人信息包括：将同一团购记录中的所有购物人和代付参与人作为交易关联人。
7.根据权利要求1-6的反作弊方法，其特征在于，通过流水号、链接号或商品订单号获得交易关联人的信息。
8.一种基于交易记录信息的反作弊装置，其特征在于，包括：
数据获取模块，其用于获取历史用户的交易记录信息，提取所述历史用户的交易记录信息中的交易关联人信息，对所述历史用户的所有交易关联人的历史作弊信息进行统计，生成该历史用户的交易关联人作弊统计信息；
训练模块，建立作弊评估模型，使用所述历史用户的交易关联人作弊统计信息作为输入特征并以该历史用户作弊数据作为输出特征，训练所述作弊评估模型；
数据处理模块，其用于获取目标用户的交易记录信息，提取所述目标用户的交易记录信息中的交易关联人信息，对所述目标用户的所有交易关联人的历史作弊信息进行统计，生成该目标用户的交易关联人作弊统计信息；
数据计算模块，其用于将所述目标用户的交易关联人作弊统计信息输入所述作弊评估模型，计算所述目标用户的用户作弊指数；
数据分类模块，根据用户作弊指数，对用户进行分类。
9.一种反作弊系统，其中，所述反作弊系统包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的反作弊方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的反作弊方法。
CN201911290176.4A 2019-12-16 2019-12-16 基于交易记录信息的反作弊方法、装置和系统 Pending CN111192045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911290176.4A CN111192045A (zh) 2019-12-16 2019-12-16 基于交易记录信息的反作弊方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911290176.4A CN111192045A (zh) 2019-12-16 2019-12-16 基于交易记录信息的反作弊方法、装置和系统

Publications (1)

Publication Number Publication Date
CN111192045A true CN111192045A (zh) 2020-05-22

Family

ID=70709239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911290176.4A Pending CN111192045A (zh) 2019-12-16 2019-12-16 基于交易记录信息的反作弊方法、装置和系统

Country Status (1)

Country Link
CN (1) CN111192045A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784360A (zh) * 2020-09-07 2020-10-16 北京江融信科技有限公司 一种基于网络链接回溯的反欺诈预测方法及系统
CN113836313A (zh) * 2021-09-13 2021-12-24 北京信息科技大学 一种基于图谱的审计信息识别方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087573A1 (en) * 2009-03-27 2011-04-14 The Dun And Bradstreet Corporation Method and system for dynamically producing detailed trade payment experience for enhancing credit evaluation
CN106485559A (zh) * 2015-08-19 2017-03-08 阿里巴巴集团控股有限公司 针对网店的作弊识别方法及装置
CN109978538A (zh) * 2017-12-28 2019-07-05 阿里巴巴集团控股有限公司 确定欺诈用户、训练模型、识别欺诈风险的方法及装置
CN110119980A (zh) * 2019-04-23 2019-08-13 北京淇瑀信息科技有限公司 一种用于信贷的反欺诈方法、装置、系统和记录介质
CN110163612A (zh) * 2019-04-02 2019-08-23 阿里巴巴集团控股有限公司 一种支付风控方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087573A1 (en) * 2009-03-27 2011-04-14 The Dun And Bradstreet Corporation Method and system for dynamically producing detailed trade payment experience for enhancing credit evaluation
CN106485559A (zh) * 2015-08-19 2017-03-08 阿里巴巴集团控股有限公司 针对网店的作弊识别方法及装置
CN109978538A (zh) * 2017-12-28 2019-07-05 阿里巴巴集团控股有限公司 确定欺诈用户、训练模型、识别欺诈风险的方法及装置
CN110163612A (zh) * 2019-04-02 2019-08-23 阿里巴巴集团控股有限公司 一种支付风控方法及装置
CN110119980A (zh) * 2019-04-23 2019-08-13 北京淇瑀信息科技有限公司 一种用于信贷的反欺诈方法、装置、系统和记录介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784360A (zh) * 2020-09-07 2020-10-16 北京江融信科技有限公司 一种基于网络链接回溯的反欺诈预测方法及系统
CN111784360B (zh) * 2020-09-07 2021-01-22 北京江融信科技有限公司 一种基于网络链接回溯的反欺诈预测方法及系统
CN113836313A (zh) * 2021-09-13 2021-12-24 北京信息科技大学 一种基于图谱的审计信息识别方法与系统

Similar Documents

Publication Publication Date Title
CN109034915B (zh) 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统
US8838499B2 (en) Methods and systems for life stage modeling
CN109615487A (zh) 基于用户行为的产品推荐方法、装置、设备及存储介质
CN102722833B (zh) 用于在线广告的个人数据公开和使用的用户控制策略的持久性元数据
CN112465627B (zh) 基于区块链和机器学习的金融借贷审核方法及系统
WO2018175750A1 (en) Intelligent visual object management system
US20140316960A1 (en) Merchant bank tool
US11423442B2 (en) Method and system for predicting relevant offerings for users of data management systems using machine learning processes
CN114547475B (zh) 一种资源推荐方法、装置及系统
CN112215448A (zh) 分配客服的方法和装置
CN111078880A (zh) 子应用的风险识别方法以及装置
CN111179051A (zh) 金融目标客户确定方法、装置及电子设备
CN112784039A (zh) 一种分配在线客服的方法、装置和存储介质
CN111612511A (zh) 一种基于活动任务的资源分配方法、装置和电子设备
CN108429776A (zh) 网络对象的推送方法、装置、客户端、交互设备以及系统
Shabankareh et al. A stacking-based data mining solution to customer churn prediction
CN111192045A (zh) 基于交易记录信息的反作弊方法、装置和系统
CN113052705A (zh) 一种供应链金融服务流程管理方法及装置
CN111199473A (zh) 基于交易记录信息的反作弊方法、装置和系统
CN114896506A (zh) 产品推荐方法、装置、设备及存储介质
WO2020175177A1 (ja) 営業支援装置及び営業先リスト作成装置
Norng Factors influencing mobile banking adoption in Cambodia: The structuring of TAM, DIT, and trust with TPB
US20050165596A1 (en) Method and apparatus for determining expected values in the presence of uncertainty
Nurjanah et al. Analysis of cashback promotion in the fintech industry among user interaction
CN108510302A (zh) 一种营销决策方法及交易服务器

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