CN111260368A - 一种账户交易风险判断方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例提供一种账户交易风险判断方法、装置及电子设备。所述方法包括：获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；根据所述账户以及与账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，分类结果中包含该账号所对应的账户群组；当所述账户基于商户平台进行交易时，从所述商户平台中获取账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对账户的交易风险进行判断。

Description

一种账户交易风险判断方法、装置及电子设备

技术领域

本说明书涉及互联网技术领域，尤其涉及一种账户交易风险判断方法、装置及电子设备。

背景技术

随着互联网技术及应用的快速发展，基于互联网的业务平台变得越来越多，规模也越来越大。以互联网电商领域为例，随着电商市场的不断发展，为买家及卖家提供交易服务的互联网商户平台也亟需扩张，而伴随互联网行业的竞争日益激烈，各商家或企业为争取市场份额而投入的营销资金也越来越多，进而出现了一些非法用户利用商户平台的营销活动进行作弊交易或虚假交易，因此，严重影响了商户平台的日常运营，甚至会造成商户平台的资金损失，商户平台上的交易存在巨大的风险隐患。

现有技术中，以用户拒付交易产生的风险为例，为防范此类交易风险的发生，通过设置业务产品规则，如限定相同设备下用优惠券可购买商品的数量，相同IP地址下用优惠券可购买商品的数量，不同账户等级对应的交易金额及可享受的优惠力度等。然而，基于业务产品规则的拒付风险防控方法，从防控方式上存在容易被规避的风险，防控方式也不够体系化；另外，这种防控方式也容易对正常用户的交易造成不必要的打扰，影响用户体验。

基于现有技术，需要提供一种不易被规避，不影响用户体验，更加体系化的账户交易风险判断方案。

发明内容

本说明书实施例提供一种账户交易风险判断方法、装置及电子设备，以解决现有技术存在的容易被规避、影响用户体验、不够体系化的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种账户交易风险判断方法，所述方法包括：

获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；

根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组；

当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

本说明书实施例提供的一种账户交易风险判断装置，所述装置包括：

获取模块，用于获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；

分类模块，用于根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组；

判断模块，用于当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

本说明书实施例提供的一种电子设备，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上述一种账户交易风险判断方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过获取由预定平台产生的一个或多个账户，以及与账户分别对应的第一特征数据，第一特征数据包括该账户的基本特征数据，基本特征数据用于表示账户的活跃度；根据账户以及与账户对应的第一特征数据，利用预设的分类模型对账户进行分类得到分类结果，分类结果中包含该账号所对应的账户群组；当账户基于商户平台进行交易时，从商户平台中获取账户的交易信息，并根据预设的账户群组对应的判断规则和交易信息，对账户的交易风险进行判断。基于本方案，通过分析账户的基本特征数据，通过基本特征数据所反映出的账户活跃度将账户划分成不同的群组，并以此确定不同的判断规则，从而结合账户的交易信息对交易风险进行判断，使得交易风险防控更加体系化，不易被规避，也不会影响用户体验。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书的技术方案在一种实际应用场景下涉及的平台整体架构的示意图；

图2为本说明书实施例提供的一种账户交易风险判断方法的流程示意图；

图3为本说明书实施例提供的对第二账户群组下的账户进行交易真实性判断的流程示意图；

图4为本说明书实施例提供的一种账户交易风险判断装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

如今随着互联网行业的竞争日益激烈，各商家或企业为争取市场份额而投入的营销资金也越来越多，进而出现了一些非法产业利用商户平台(或商家平台)的营销活动进行作弊交易或虚假交易，从而牟取非法利益，严重影响了商户平台的日常运营，甚至会因此产生资金损失。例如以下商户平台：Airbnb平台、优酷平台、耐克平台等，都曾遭遇过严重的新用户营销作弊风险或者虚假交易退款风险，给其日常运营及营销资金带来巨大损失，例如用户从耐克平台购买产品后申请退货退款，但往往以假货充好以获取利益差，造成平台大量资金损失。

下面以虚假交易退款风险中的一种，即由于用户拒付交易产生的风险为例，对传统的风险防控方案进行说明，现有的防范作弊拒付交易的方法主要是基于业务产品规则的方式，例如限定相同设备下用优惠券可购买商品的数量，相同IP地址下用优惠券可购买商品的数量，不同账户等级对应的交易金额及可享受的优惠力度等。但是，上述这种基于业务产品规则的拒付风险防控手法，从防控方式上存在容易被规避(即被绕过)的风险，例如基于设备、IP、地域的防控方式，都可以通过技术手段进行篡改从而绕过防控，如此导致传统风险防控方案的普适性不佳，需要商户平台经常调整才能覆盖风险；另外，上述基于业务规则的粗放式管理方案也存在对于正常用户的交易造成打扰的问题，容易影响正常用户的营销活动领取及正常交易，不利于提升用户体验；现有的拒付风险防控方式不够体系化，风险识别准确率及覆盖率较低。

针对上述情况，为防范由拒付交易对商户平台造成的风险，需要提供一种不易被绕过，不对正常用户的交易造成打扰，提高风险识别准确率及覆盖率，能够体系化地协同外部商户共同帮助商户平台防范该类营销风险，降低商家损失的账户交易风险判断方案。

图1为本说明书的技术方案在一种实际应用场景下涉及的平台整体架构的示意图。平台整体架构可以包括至少一个商户平台以及支付平台，该商户平台可以是指为买家及卖家双方提供订单交易服务的平台(如，Airbnb平台)，相对于支付平台来说，商户平台可以认为是外部商户(即支付平台以外的其它商户)；支付平台可以认为是用户在商户平台进行下单购买操作后的支付环节所对应的平台，换言之支付平台可以认为是用户与商户平台之间的支付链路，例如支付宝平台、网上银行支付平台等。在本说明书实施例中，用户在商户平台进行商品购买及下单业务后，商户平台将订单交易信息传输至支付平台，由支付平台对该用户在支付平台中对应的账户(如，支付宝账户)进行分析，通过对支付宝账户的多维行为信息，例如包括账户的基本特征信息等，对支付宝账户的支付、操作活跃情况进行综合评分，以此来衡量账户的使用活跃程度，进一步根据支付宝账户的活跃度对账户进行分类，从而根据不同的账户群组采取不同的评分及条件进行风险的判断，例如：对于活跃度较低的账户(可称为“沉默账户”)，直接将交易订单信息与预设的判断规则进行比较确定风险程度，对于活跃度较高的账户(可称为“成熟账户”)，可进一步结合账户的风险特征维度的数据，对其进行交易的真实性评分，并根据评分结果判断账户交易的风险程度。

基于上述场景，下面对本说明书的方案进行详细说明。

图2为本说明书实施例提供的一种账户交易风险判断方法的流程示意图，该方法具体可以包括以下步骤：

在步骤S210中，获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度。

在本说明书一个或多个实施例中，预定平台可以包括用于账户基于商户平台进行交易时的支付平台，关于支付平台的介绍可参照前述实施例的内容，这里不再赘述，以下实施例中以支付宝平台作为支付平台来描述的。

进一步地，在本说明书一具体实施例中，获取由预定平台产生的一个或多个账户，可以包括：获取历史时间内的一个或多个用户在支付平台中进行注册时，生成的与用户相关联的账户。在实际应用中，可以根据预设的时间周期，每间隔一段时间，重新获取该时间间隔及该时间间隔以前特定的历史时段内的全部或部分支付宝平台中的账户，由于本说明书中所说的账户实际是预定平台内的用户账户(如，支付宝账户)，因此可以是用户在支付宝平台进行注册时，平台自动生成的与该用户相关联的用户标识，即生成的与用户相关联的账户。

进一步地，在本说明书一具体实施例中，除了获取用户对应的支付宝账户外，还可以获取与该支付宝账户相关的账户行为信息，例如获取账户所对应的第一特征数据，这些信息(即第一特征数据)里可以包含该账户的一些基本特征数据，例如：与账户分别对应的历史交易数据、签约数据、账户开户时间、账户登录数据、账户留存资产数据、绑定银行卡数据、历史充值数据、历史提现数据中的一种或几种。其中，账户登录数据、绑定银行卡数据、历史充值数据、历史提现数据等可以认为是账户对应的操作行为数据；签约数据中可以包含用户与商户平台签订的代扣款操作行为所对应的数据，代扣款操作行为可以认为是用户在商户平台下单后，商户平台直接发送扣款指令给支付宝平台，支付宝平台根据扣款指令直接对用户账户执行扣钱操作。

在步骤S220中，根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组。

在本说明书一个或多个实施例中，在获取支付平台中的用户账户以及账户所对应的第一特征数据后，可以基于这些数据对支付宝账户的活跃情况(包括支付、操作等活跃情况)进行综合评分，以此来衡量账户的使用活跃程度，评价账户价值，并将评分结果作为进一步划分账户所属不同账户活跃度群组的标准，从而进一步根据不同的账户活跃度群组对账户拒付风险进行判断。

进一步地，在本说明书一具体实施例中，可以利用预设的分类模型对支付宝账户的活跃程度进行打分，例如采用群组聚类及分类预测的方式，对支付宝账户的活跃情况进行综合评分得到账户的活跃度分值。在实际应用中，所述分类模型可以包括机器学习模型，根据账户以及与账户对应的第一特征数据，利用预设的分类模型对账户进行分类得到分类结果，可以包括以下内容：

将账户以及与账户对应的第一特征数据输入到机器学习模型中，以便利用机器学习模型对账户进行预测，得到账户的活跃度分值，并根据活跃度分值以及预设的活跃度阈值确定账户所对应的账户群组，账户群组至少包括第一账户群组和第二账户群组；其中，第一账户群组下的账户对应的活跃度分值低于活跃度阈值，第二账户群组下的账户对应的活跃度分值高于活跃度阈值。

具体地，在本说明书实施例中，机器学习模型可以采用任何能够实现分类功能的模型，例如决策树模型、GBDT模型等，下面以决策树模型为例，对模型的训练及使用过程进行简要说明，可以包括以下内容：

决策树是一种机器学习的方法，决策树的生成算法包括ID3、C4.5、C5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。在对决策树模型进行训练时，可以使用监管学习的方式进行训练，监管学习的含义可以理解为给出一堆样本，每个样本都有一组属性和一个分类结果，也就是分类结果已知，通过学习这些样本得到一个决策树，这个决策树便能够对新的数据给出正确的分类。

以本说明书实施例的具体应用场景为例，在获取得到了历史时间内产生的支付宝账户以及与支付宝账户对应的第一特征数据后，可以先选出一部分账户，根据账户在历史支付、操作、使用等过程中产生的数据(即第一特征数据)，为该账户设定一个分类结果(如沉默账户或成熟账户)，然后将这部分账户及账户对应的第一特征数据，以及账户对应的分类结果作为模型训练的样本数据，利用得到的样本数据对决策树模型进行训练，将训练后得到的决策树模型作为接下来在实际操作中对账户进行分类的机器学习模型。

在实际应用中，可以根据模型输出的账户对应的活跃度分值，将账户的活跃度分值与预设的活跃度阈值进行比较，并将活跃度分值低于活跃度阈值的账户划分为第一账户群组，将活跃度分值高于活跃度阈值的账户划分为第二账户群组，由于根据相同的活跃度阈值对账户进行划分，因此，可以将活跃度分值低于活跃度阈值的账户视为低活跃度账户(也可以称为沉默账户)，并且将活跃度分值高于活跃度阈值的账户视为高活跃度账户(也可以称为成熟账户)，此时，第一账户群组对应沉默账户，第二账户群组对应成熟账户。

在步骤S230中，当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

在本说明书一个或多个实施例中，交易信息可以是针对订单的交易信息，即订单交易信息，用户在商户平台进行下单交易时，商户平台将订单交易信息传输至支付宝平台，以便支付宝平台根据订单交易信息并结合账户的群组进行风险判断。在实际应用中，交易信息可以包括交易金额，根据交易信息及预设的账户群组对应的判断规则，对账户的交易风险进行判断，可以包括以下内容：

当账户所对应的账户群组为第一账户群组时，且账户的交易金额大于预设交易金额时，则判断该账户的交易为高风险交易，否则判断为低风险交易；

当账户所对应的账户群组为第二账户群组时，且账户的交易金额小于预设交易金额时，则判断该账户的交易为低风险交易。

进一步地，在本说明书一具体实施例中，在根据账户群组及订单交易金额进行风险判断时，可预先设立判断规则，以区分不同账户群组的账户进行下单时的交易风险，例如：对于沉默账户的大额交易可直接判断为高风险交易，而沉默账户的小额交易也可直接判断为低风险交易。通过计算账户的活跃度值，将活跃度值较低的账户进行聚类，并将这类账户记为沉默账户，当沉默账户进行订单交易时，根据交易金额结合风险判断规则，即可判断得出沉默账户对应的交易风险。当然，基于以上实施例，除了可以判断出沉默账户的交易风险情况外，还可以对成熟账户的交易风险进行一定的判断，例如当成熟账户的订单交易金额小于预设交易金额时，则可以判断该交易为低风险交易，然而相反地，由于通过账户的基本特征信息所计算得到的活跃度分值，仅能一定程度上反应账户的活跃度、成熟度或者可信任的程度，因此，当成熟账户进行大额交易时，不能简单地认为该交易一定为高风险交易。针对成熟账户(即第二账户群组)还需要进一步地获取更多的风险特征维度的数据，以进一步对成熟账户的拒付风险进行评分，以此来量化表征成熟账户交易的真实性，以下实施例详细介绍了对成熟账户的交易做进一步真实性判断的过程。

如图3所示，其示出了本说明书实施例提供的对第二账户群组下的账户进行交易真实性判断的流程示意图，该方法具体可以包括以下步骤：

在本说明书公开的另一实施例中，进一步利用组内综合评价方法对第二账户群组下的账户的风险进行评分，具体地，

S310、获取第二账户群组下的账户分别对应的第二特征数据，第二特征数据包括该账户的风险特征数据；

S320、根据第二账户群组下的账户以及该账户对应的第二特征数据所构建的原始数据集，利用组内综合评价方法对原始数据集进行处理，得到第二账户群组下的账户对应的风险评分。

进一步地，在本说明书一具体实施例中，第二账户群组下的账户分别对应的第二特征数据，包括但不限于：

第二账户群组下的账户分别对应的历史转账数据、不同交易场景下的历史交易数据、特定商户支付签约次数中的一种或几种。其中，对于不同交易场景下的历史交易数据，比如用户在不同的外部商户(如Airbnb、淘宝等)下的交易历史、金额等数据。由于上述这些数据涉及具体的交易、转账等数据，如转账金额、转账次数、针对特定商户的协议支付签约次数等，因此，可以认为这些数据是由账户行为所产生的风险特征数据，这些数据可表征该账户的风险交易水平。

在本说明书一具体应用场景中，所述组内综合评价方法包括TOPSIS评价方法，TOPSIS法是一种常用的组内综合评价方法，TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在已有的对象中进行相对优劣的评价。理想化目标(IdealSolution)有两个，一个是肯定的理想目标(positive ideal solution)或称最优目标，一个是否定的理想目标(negative ideal solution)或称最劣目标，评价最好的对象应该是与最优目标的距离最近，而与最劣目标最远，距离的计算可采用欧氏距离、明考斯基距离等，欧几里德几何距离是明考斯基距离的特殊情况。

TOPSIS法是一种理想目标相似性的顺序选优技术，在多目标决策分析中是一种非常有效的方法。它通过归一化后的数据规范化矩阵，找出多个目标中最优目标和最劣目标(分别用理想解和反理想解表示)，分别计算各评价目标与理想解和反理想解的距离，获得各目标与理想解的接近度，按理想解接近度的大小排序，以此作为评价目标优劣的依据。接近度取值可以在0～1之间，该值愈接近1，表示相应的评价目标越接近最优水平，反之，该值愈接近0，表示评价目标越接近最劣水平。

进一步地，在本说明书一具体实施例中，利用TOPSIS评价方法对第二账户群组下的账户的风险进行评分，可以包括以下内容：

根据第二账户群组下的账户以及该账户对应的第二特征数据构建初始风险矩阵，并对初始风险矩阵进行归一化处理得到标准化矩阵；

根据标准化矩阵确定出正理想解和负理想解，并计算第二账户群组下的账户分别与正理想解及负理想解之间的欧氏距离；

根据欧氏距离计算第二账户群组下的账户对应的相对接近度，并将相对接近度作为第二账户群组下的账户所对应的风险评分。

在本说明书公开的另一实施例中，在得到第二账户群组下的账户对应的风险评分之后，还可以根据风险评分对第二账户群组下的账户的交易风险进行判断，具体地，

S330、对风险评分进行排序，并根据排序结果将第二账户群组下的账户划分为若干个风险等级，根据风险等级对第二账户群组下的账户的交易风险进行判断。

进一步地，在本说明书一具体实施例中，通过前述实施例利用TOPSIS评价方法计算得到的账户对应的风险评分，此风险评分可量化表征该账户进行交易时的真实性，因此，商户平台可据此风险评分对其拒付交易进行风险判别及处理。在实际应用中，在得到第二账户群组下的所有账户对应的风险评分后，可将所述风险评分按照由大至小进行排序，并按照排序将账户划分为若干个风险等级，例如可以划分为三个风险等级，具体地，可以将风险评分大于90分的账户划分为第一风险等级(对应高风险等级)，将风险评分在70分～90分的账户划分为第二风险等级(对应中等风险等级)，将风险评分低于70分的账户划分为第三风险等级(对应低风险等级)。

在实际应用中，可以将本说明书技术方案通过算法或程序集成在支付平台内的某个系统中，或者单独称为一个独立系统，以支付宝平台为例，通过将上述方案的逻辑处理过程整合在已有的支付宝风控引擎中，这样在实际交易过程中，当用户在商户平台下单进行交易时，商户平台将交易信息传输至支付宝平台，由支付宝风控引擎对交易账户的历史行为数据进行综合风险评分，并根据账户的风险评分确定其对应的风险等级，并将该账户的风险等级返回到商户平台，由商户平台根据支付宝平台返回的账户风险等级进行处理，例如：对于高风险等级的账户可直接拒绝对该账户产生的拒付交易进行赔付，而对处于中等风险等级的账户，则可进一步引入人工审核，判断是否对其产生的拒付交易进行赔付。

鉴于前述实施例的内容，通过从支付宝账户内在的行为特征出发进行分析，对支付宝内账户各维度数据的分析提炼出风险特征，利用支付宝账户的历史交易行为帮助外部商户进行营销作弊及拒付风险的防控，通过基于支付宝账户的交易历史，产品签约记录，交易场景数据等信息对其活跃质量进行综合评分，划分出不同群组的账户，从而实现基于账户活跃情况对账户进行分群，精细化刻画各群体的交易真实性，对于成熟账户则进一步基于账户的风险特征维度的数据构建出拒付风险防控体系，从而协助商户平台自动防范拒付交易风险，保障外部商户交易的真实性，避免商家造成损失。本说明书技术方案通过对账户各类行为的综合分析使得对风险防范具备更强的稳定性及可适用性，不易被绕过，体系化的交易风险防控方案，能够大大提高风险识别的准确率及覆盖率，从而长期保障商户的营销及运营稳定，适用于更多场景的拓展。

基于同样的思路，本说明书实施例还提供了一种账户交易风险判断装置，如图4为本说明书实施例提供的一种账户交易风险判断装置的结构示意图，该装置400主要包括：

获取模块401，用于获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；

分类模块402，用于根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组；

判断模块403，用于当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

根据本申请的实施例，在所述装置中，所述预定平台包括用于所述账户基于商户平台进行交易时的支付平台，所述获取模块401还用于：

获取历史时间内的一个或多个用户在所述支付平台中进行注册时，生成的与所述用户相关联的账户。

根据本申请的实施例，在所述装置中，所述分类模型包括机器学习模型，所述分类模块402具体用于：

将所述账户以及与所述账户对应的第一特征数据输入到所述机器学习模型中，以便利用所述机器学习模型对所述账户进行预测，得到所述账户的活跃度分值，并根据所述活跃度分值以及预设的活跃度阈值确定所述账户所对应的账户群组，所述账户群组至少包括第一账户群组和第二账户群组；其中，所述第一账户群组下的账户对应的活跃度分值低于所述活跃度阈值，所述第二账户群组下的账户对应的活跃度分值高于所述活跃度阈值。

根据本申请的实施例，在所述装置中，所述交易信息包括交易金额，所述判断模块403还用于：

当所述账户所对应的账户群组为第一账户群组时，且所述账户的交易金额大于预设交易金额时，则判断该账户的交易为高风险交易，否则判断为低风险交易；

当所述账户所对应的账户群组为第二账户群组时，且所述账户的交易金额小于预设交易金额时，则判断该账户的交易为低风险交易。

根据本申请的实施例，在所述装置中，还包括：

风险评分模块404，用于利用组内综合评价方法对所述第二账户群组下的账户的风险进行评分，具体地，

获取所述第二账户群组下的账户分别对应的第二特征数据，所述第二特征数据包括该账户的风险特征数据；

根据所述第二账户群组下的账户以及该账户对应的第二特征数据所构建的原始数据集，利用所述组内综合评价方法对所述原始数据集进行处理，得到所述第二账户群组下的账户对应的风险评分。

根据本申请的实施例，在所述装置中，所述组内综合评价方法包括TOPSIS评价方法，所述风险评分模块404还用于：

根据所述第二账户群组下的账户以及该账户对应的第二特征数据构建初始风险矩阵，并对所述初始风险矩阵进行归一化处理得到标准化矩阵；

根据所述标准化矩阵确定出正理想解和负理想解，并计算所述第二账户群组下的账户分别与所述正理想解及负理想解之间的欧氏距离；

根据所述欧氏距离计算所述第二账户群组下的账户对应的相对接近度，并将所述相对接近度作为所述第二账户群组下的账户所对应的风险评分。

根据本申请的实施例，在所述装置中，所述判断模块403还用于：

在所述得到所述第二账户群组下的账户对应的风险评分之后，根据所述风险评分对所述第二账户群组下的账户的交易风险进行判断，具体地，

对所述风险评分进行排序，并根据排序结果将所述第二账户群组下的账户划分为若干个风险等级，根据所述风险等级对所述第二账户群组下的账户的交易风险进行判断。

本说明书实施例还提供一种电子设备，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上述一种账户交易风险判断方法。

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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (17)

1.一种账户交易风险判断方法，所述方法包括：

获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；

根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组：

当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

2.如权利要求1所述的方法，所述预定平台包括用于所述账户基于商户平台进行交易时的支付平台，所述获取由预定平台产生的一个或多个账户，包括：

获取历史时间内的一个或多个用户在所述支付平台中进行注册时，生成的与所述用户相关联的账户。

3.如权利要求1所述的方法，所述基本特征数据包括：

与所述账户对应的历史交易数据、签约数据、账户开户时间、账户登录数据、账户留存资产数据、绑定银行卡数据、历史充值数据、历史提现数据中的一种或几种。

4.如权利要求1所述的方法，所述分类模型包括机器学习模型，所述根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，包括：

将所述账户以及与所述账户对应的第一特征数据输入到所述机器学习模型中，以便利用所述机器学习模型对所述账户进行预测，得到所述账户的活跃度分值，并根据所述活跃度分值以及预设的活跃度阈值确定所述账户所对应的账户群组，所述账户群组至少包括第一账户群组和第二账户群组；其中，所述第一账户群组下的账户对应的活跃度分值低于所述活跃度阈值，所述第二账户群组下的账户对应的活跃度分值高于所述活跃度阈值。

5.如权利要求4所述的方法，所述交易信息包括交易金额，所述根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断，包括：

当所述账户所对应的账户群组为第一账户群组时，且所述账户的交易金额大于预设交易金额时，则判断该账户的交易为高风险交易，否则判断为低风险交易；

当所述账户所对应的账户群组为第二账户群组时，且所述账户的交易金额小于预设交易金额时，则判断该账户的交易为低风险交易。

6.如权利要求4所述的方法，还包括利用组内综合评价方法对所述第二账户群组下的账户的风险进行评分，具体地，

获取所述第二账户群组下的账户分别对应的第二特征数据，所述第二特征数据包括该账户的风险特征数据；

根据所述第二账户群组下的账户以及该账户对应的第二特征数据所构建的原始数据集，利用所述组内综合评价方法对所述原始数据集进行处理，得到所述第二账户群组下的账户对应的风险评分。

7.如权利要求6所述的方法，所述风险特征数据包括：

历史转账数据、不同交易场景下的历史交易数据、特定商户支付签约次数中的一种或几种。

8.如权利要求6所述的方法，所述组内综合评价方法包括TOPSIS评价方法，利用TOPSIS评价方法对所述第二账户群组下的账户的风险进行评分，包括：

根据所述第二账户群组下的账户以及该账户对应的第二特征数据构建初始风险矩阵，并对所述初始风险矩阵进行归一化处理得到标准化矩阵；

根据所述标准化矩阵确定出正理想解和负理想解，并计算所述第二账户群组下的账户分别与所述正理想解及负理想解之间的欧氏距离；

根据所述欧氏距离计算所述第二账户群组下的账户对应的相对接近度，并将所述相对接近度作为所述第二账户群组下的账户所对应的风险评分。

9.如权利要求6所述的方法，所述得到所述第二账户群组下的账户对应的风险评分之后，还包括根据所述风险评分对所述第二账户群组下的账户的交易风险进行判断，具体地，

对所述风险评分进行排序，并根据排序结果将所述第二账户群组下的账户划分为若干个风险等级，根据所述风险等级对所述第二账户群组下的账户的交易风险进行判断。

10.一种账户交易风险判断装置，所述装置包括：

获取模块，用于获取由预定平台产生的一个或多个账户，以及与所述账户分别对应的第一特征数据，所述第一特征数据包括该账户的基本特征数据，所述基本特征数据用于表示所述账户的活跃度；

分类模块，用于根据所述账户以及与所述账户对应的第一特征数据，利用预设的分类模型对所述账户进行分类得到分类结果，所述分类结果中包含该账号所对应的账户群组；

判断模块，用于当所述账户基于商户平台进行交易时，从所述商户平台中获取所述账户的交易信息，并根据预设的所述账户群组对应的判断规则和所述交易信息，对所述账户的交易风险进行判断。

11.如权利要求10所述的装置，所述预定平台包括用于所述账户基于商户平台进行交易时的支付平台，所述获取模块还用于：

获取历史时间内的一个或多个用户在所述支付平台中进行注册时，生成的与所述用户相关联的账户。

12.如权利要求10所述的装置，所述分类模型包括机器学习模型，所述分类模块具体用于：

将所述账户以及与所述账户对应的第一特征数据输入到所述机器学习模型中，以便利用所述机器学习模型对所述账户进行预测，得到所述账户的活跃度分值，并根据所述活跃度分值以及预设的活跃度阈值确定所述账户所对应的账户群组，所述账户群组至少包括第一账户群组和第二账户群组；其中，所述第一账户群组下的账户对应的活跃度分值低于所述活跃度阈值，所述第二账户群组下的账户对应的活跃度分值高于所述活跃度阈值。

13.如权利要求12所述的装置，所述交易信息包括交易金额，所述判断模块还用于：

当所述账户所对应的账户群组为第一账户群组时，且所述账户的交易金额大于预设交易金额时，则判断该账户的交易为高风险交易，否则判断为低风险交易；

当所述账户所对应的账户群组为第二账户群组时，且所述账户的交易金额小于预设交易金额时，则判断该账户的交易为低风险交易。

14.如权利要求12所述的装置，还包括：

风险评分模块，用于利用组内综合评价方法对所述第二账户群组下的账户的风险进行评分，具体地，

获取所述第二账户群组下的账户分别对应的第二特征数据，所述第二特征数据包括该账户的风险特征数据；

根据所述第二账户群组下的账户以及该账户对应的第二特征数据所构建的原始数据集，利用所述组内综合评价方法对所述原始数据集进行处理，得到所述第二账户群组下的账户对应的风险评分。

15.如权利要求14所述的装置，所述组内综合评价方法包括TOPSIS评价方法，所述风险评分模块还用于：

根据所述第二账户群组下的账户以及该账户对应的第二特征数据构建初始风险矩阵，并对所述初始风险矩阵进行归一化处理得到标准化矩阵；

根据所述标准化矩阵确定出正理想解和负理想解，并计算所述第二账户群组下的账户分别与所述正理想解及负理想解之间的欧氏距离；

根据所述欧氏距离计算所述第二账户群组下的账户对应的相对接近度，并将所述相对接近度作为所述第二账户群组下的账户所对应的风险评分。

16.如权利要求14所述的装置，所述判断模块还用于：

在所述得到所述第二账户群组下的账户对应的风险评分之后，根据所述风险评分对所述第二账户群组下的账户的交易风险进行判断，具体地，

对所述风险评分进行排序，并根据排序结果将所述第二账户群组下的账户划分为若干个风险等级，根据所述风险等级对所述第二账户群组下的账户的交易风险进行判断。

17.一种电子设备，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权利要求1至9中任一项所述的方法。

Images