CN111279375A - 用于检测模式外交易的系统和方法 - Google Patents
用于检测模式外交易的系统和方法 Download PDFInfo
- Publication number
- CN111279375A CN111279375A CN201880069806.2A CN201880069806A CN111279375A CN 111279375 A CN111279375 A CN 111279375A CN 201880069806 A CN201880069806 A CN 201880069806A CN 111279375 A CN111279375 A CN 111279375A
- Authority
- CN
- China
- Prior art keywords
- reverse
- merchant
- transaction
- merchants
- historical
- 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
- 238000000034 method Methods 0.000 title claims description 68
- 230000002441 reversible effect Effects 0.000 claims abstract description 183
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims description 81
- 230000008859 change Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000013475 authorization Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
- G06F3/0234—Character input methods using switches operable in different directions
-
- 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
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/02—Constructional features of telephone sets
- H04M1/23—Construction or mounting of dials or of equivalent devices; Means for facilitating the use thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种用于检测模式外支付交易的反向推荐系统包括存储器设备和被编程为接收交易数据的处理器。交易数据与账户持有者和商家之间的历史支付交易对应。该处理器被编程为生成包括商家和计数器的商家对应矩阵,该计数器指示商家的商家对与账户持有者之间的历史支付交易的数量。该处理器被编程为将商家对应矩阵存储在将商家对链接到每个账户持有者的存储器设备中。该处理器接收与账户持有者和商家之间的新支付交易相关联的附加交易数据,并基于账户持有者的历史支付交易数据为新支付交易生成反向推荐器分数。账户持有者的历史支付交易数据包括与由账户持有者访问的商家相关联的历史支付交易数据。
Description
相关申请的交叉引用
本申请要求于2017年10月26日提交的美国专利申请序列No.15/794,768的权益和优先权,其全部内容通过引用并入本文。
技术领域
本公开的领域一般而言涉及用于检测模式外(out-of-pattern)支付交易的系统和方法,并且更特别地,涉及用于部分基于持卡人的交易历史和商家网络关系数据来确定何时特定支付卡交易不可能是由特定持卡人发起的交易的系统和方法。
背景技术
使用支付卡或账户进行欺诈性交易的可能性是金融机构以及账户持有者和由账户持有者购买的商品和/或服务的商家主要关心的问题。许多在线商家为其回头客存储包括支付卡号在内的支付卡账户信息,以处理退货和进行购买趋势研究。该支付卡信息可以包括其它持卡人识别信息。在许多情况下,可以存储该信息以处理重复交易或为将来的在线交易提高结账处理的速度。但是,该支付卡信息可能会被盗。然后,被盗的支付卡信息可能被用于进行欺诈性交易。
此外,有卡(card-present)交易可能导致在商家位置和ATM处的支付卡受到侵害。然后,受到侵害的支付卡可能被用于将来在其它位置进行的欺诈性交易。例如,员工窃取信用卡信息并使用窃取的信用卡信息来进行欺诈性交易。此外,虽然侵害可能仅发生在商家A处,但是随后的欺诈性交易可能与多个不同的商家进行交易。此类欺诈性交易的报告速度可能很慢,在一些情况下可能要花费几个月的时间才能报告。另外,由交易各方使用的一些欺诈“评分”或认证处理可能无法识别可能在执行大型欺诈性交易之前发生的潜在测试和探测交易。
为了检测和防止欺诈性交易,经常使用两种常见的欺诈检测方法。这些方法包括识别欺诈者的已知模式和识别账户持有者的模式外行为。用于确定账户持有者的模式外行为的大多数方法都是从行业或商家级别的一些汇总支出模式数据开始的。但是,在执行欺诈评分处理时,至少一些参与方可能对某些支出模式数据和商家网络数据具有有限的访问权限,这可能导致欺诈检测结果不一致,并且可能无法识别何时交易与持卡人的先前真实活动不一致。
发明内容
在一个实施例中,提供了一种用于检测模式外支付交易的反向推荐器系统。该反向推荐器系统包括用于存储数据的存储器设备和通信地耦合到存储器设备的处理器。该处理器被编程为接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据。该处理器还被编程为基于第一交易数据生成包括多个商家和多个计数器的商家对应矩阵,该多个计数器指示在多个商家对和多个账户持有者之间的历史支付交易的数量。此外,该处理器被编程为将商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中。该处理器还被编程为接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据。另外,该处理器被编程为基于来自第一交易数据的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数。账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
在另一个实施例中,提供了一种用于检测模式外支付交易的基于计算机的方法。该方法包括接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据。该方法还包括生成包括多个商家和多个计数器的商家对应矩阵。计数器基于第一交易数据指示在多个商家对和多个账户持有者之间的历史支付交易的数量。另外,该方法包括将商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中。此外,该方法包括:接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据。此外,该方法包括基于第一交易数据中的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数。账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
在又一个实施例中,提供了一种或多种在其上实施有计算机可执行指令的非暂态计算机可读存储介质。当该计算机可执行指令由至少一个处理器执行时,使处理器接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据。另外,该可执行指令使处理器基于第一交易生成包括多个商家和多个计数器的商家对应矩阵,该多个计数器指示在多个商家对和多个账户持有者之间的历史支付交易的数量。此外,该可执行指令使处理器将商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中。此外,该可执行指令使处理器接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据。另外,该可执行指令使处理器基于第一交易数据中的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数。账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
附图说明
图1-12示出了本文描述的方法和系统的示例性实施例。
图1是图示具有反向推荐器模块的示例多方支付卡网络系统的示意图。
图2是包括多个计算机设备和图1中所示的反向推荐器模块的示例支付卡网络系统的简化框图。
图3是图2中所示的支付卡网络系统的服务器系统的体系架构的示例实施例的扩展框图。
图4示出了图3中所示的服务器系统的数据库服务器内的数据库的配置以及其它相关服务器部件。
图5图示了由用户操作的用户系统的示例配置,用户是诸如图1中所示的持卡人。
图6图示了服务器系统的示例配置,服务器系统是诸如图2-4中所示的服务器系统。
图7是示出图1中所示的反向推荐器模块的操作的框图。
图8是示出生成稀疏商家对应矩阵以与图1中所示的反向推荐器模块一起使用的处理的框图。
图9是在图1中所示的反向推荐器模块中执行的步骤的图示。
图10是用于与图1中所示的支付卡网络系统一起使用的欺诈分数和组合欺诈分数的图。
图11是如由图1中所示的反向推荐器模块生成的针对一系列交易的持卡人的反向推荐器分数的图。
图12是用于使用耦合到存储器设备的计算机设备(诸如,图1中所示的反向推荐器模块)来检测模式外支付卡交易的示例方法的流程图。
图中相似的数字指示相同或功能相似的部件。
具体实施方式
以下详细描述以示例而非限制的方式示出了所公开的系统和方法的实施例。该描述清楚地使本领域的技术人员能够制造和使用本公开、描述了本公开的若干实施例、改编、变型、替代和使用,包括目前被认为是执行本公开的最佳方式。本公开被描述为应用于示例实施例,即,用于检测可能指示欺诈的模式外支付卡交易的方法和系统。更具体而言,被称为反向推荐器模块的经特殊编程的计算机模块被配置为收集与多个支付卡持有者和商家相关联的交易数据,并且选择性地使用一种或多种应用于交易数据的专门算法来检测模式外交易。
在一个示例实施例中,反向推荐器模块被配置用于与诸如例如交换网络之类的支付卡处理网络一起使用。反向推荐器模块包括存储器设备和与该存储器设备通信的处理器,并且被编程为与支付网络通信以接收多个账户持有者的交易信息。支付网络被配置为处理商家与其收单银行、持卡人及其发行方银行之间的支付卡交易。交易信息包括与在预定时间段期间由账户持有者在各个商家处进行的购买相关的数据。
反向推荐器模块使用由多个账户持有者在多个商家处进行的金融交易的对应矩阵来生成商家之间的链接。该对应矩阵存储在数据库中。反向推荐器模块基于以下假设从空(null)矩阵生成对应矩阵:如果一个账户持有者在第一商家处然后在第二商家处购买商品和/或服务,那么这两个商家通过账户持有者的偏好相关。例如,对于在预定时间段期间与多个商家中的两个或更多个商家进行交易的账户持有者,反向推荐器模块填充空矩阵以创建用于指示每个商家组合和持卡人之间的交易的数量的多个商家的商家关联的对应矩阵。对于在指定段内已在多个商家处进行交易的每个账户持有者,反向推荐器模块将使用交易信息更新存储在数据库中的对应矩阵。更具体而言,计数器与对应矩阵内的每个商家相关联并且被存储在数据库中。对于每个账户持有者访问的每对商家,反向推荐器模块使与那些商家相关联的计数器递增。因此,多个持卡人的账户持有者与商家交易的次数越多,商家将在矩阵内获得的关联越多。因此,反向推荐器模块被配置为基于账户持有者如何使用支付卡或类似设备经由交易将他们链接在一起来关联商家。反向推荐器模块将这个假设带到成千上万个交易中,并使用对应矩阵使交易中的商家彼此相关。对应矩阵是对称矩阵。
在对应矩阵中捕获的信息可以用于生成针对商家的反向推荐器分数,其中反向推荐器分数是欺诈性交易的可能性的指示符。反向推荐器模块通过基于账户持有者经常访问的商家来推断偏好,从而在不知道账户持有者对商家的偏好的情况下提供相关的反向推荐器分数。从使得反向推荐器模块可访问的金融交易数据中检索商家数据。反向推荐器模块基于它们在对应矩阵中如何连接,例如,通过账户持有者在商家之间共同访问的数量,来得出商家的重要性。因此,当账户持有者在新商家(例如,该账户持有者之前未进行过交易的商家)进行购买时,反向推荐器模块为该交易生成反向推荐器分数。该分数可以被认为是反映该商家是账户持有者不太可能与之进行交易的商家的可能性的分数。
在一个实施例中,反向推荐器模块确定账户持有者之前未与该商家进行交易。然后,反向推荐器模块确定账户持有者过去与哪些商家进行过交易,并生成与账户持有者相关联的历史交易向量。历史交易向量表示账户持有者与对应矩阵的商家的历史交易的度量。在一些实施例中,反向推荐器模块对历史交易向量进行归一化,使得每个商家被赋予一个值,并且多个商家的值总和为一。在示例实施例中,反向推荐器模块将对应矩阵与历史交易向量相乘以确定反向推荐器分数向量。反向推荐器分数向量与账户持有者历史交易信息相关联,并且包括针对多个商家中的每个商家的反向推荐器分数。反向推荐器分数表示与该商家的交易是欺诈性的可能性的度量。在一些实施例中,可以使用加权技术将反向推荐器分数向量与历史交易向量组合。反向推荐器模块然后可以将对应矩阵乘以加权组合向量以确定反向推荐器分数向量。该处理可以被重复预定次数的迭代。
为了确定与新商家的特定交易对于账户持有者而言是否是模式外交易行为,比较初始用户历史交易向量和反向推荐器分数向量之间每个商家的值的成比例变化。如果账户持有者的交易历史使得新商家的值显著增加,那么意味着持卡人的交易历史在该商家附近。如果账户持有者的交易历史使得商家的值减少或相对于其它商家的值仅略有增加,那么这指示该特定交易对于持卡人而言是模式外的。如果该值的百分比变化为负或与其它商家相比比例上较小,那么新交易被确定为对于账户持有者是模式外的,并且指示存在欺诈性交易的可能性。
通过执行以下步骤中的至少一个来实现本文描述的系统和方法的技术效果:(a)通过反向推荐器模块接收与多个账户持有者和多个商家之间的历史支付卡交易对应的第一金融交易数据;(b)基于第一金融交易数据,生成包括多个商家和多个计数器的商家对应矩阵,该多个计数器指示多个商家对和多个账户持有者之间的历史支付卡交易的数量;(c)将包括多个计数器的商家对应矩阵存储在数据库中;(d)通过反向推荐器模块接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付卡交易相关联的第二金融交易数据;以及(e)基于第一金融交易数据中的账户持有者历史支付卡交易数据,为新支付卡交易生成反向推荐器分数,其中账户持有者历史支付卡交易数据包括与由账户持有者访问的多个商家相关联的历史支付卡交易数据。
如本文所使用的,术语“交易卡”、“金融交易卡”和“支付卡”可以包括任何合适的交易卡,诸如信用卡、借记卡、预付卡,签账卡、会员卡、促销卡、飞行常客卡、身份卡、预付卡、礼品卡和/或任何其它可以保持支付账户信息的设备,诸如电话、智能电话、个人数字货币助手(PDA)、钥匙扣和/或计算机。每种类型的交易卡都可以用作执行交易的支付方法。
如本文所使用的,术语“处理器”包括任何可编程系统,包括使用中央处理单元、微处理器、微控制器、精简指令集电路(RISC)、专用集成电路(ASIC)、逻辑电路以及能够执行本文所述功能的任何其它电路或处理器。以上示例仅是示例,因此无意以任何方式限制术语“处理器”的定义和/或含义。
如本文所使用的,术语“软件”和“固件”是可互换的,并且包括存储在存储器中用于执行移动设备、集群、个人计算机、工作站、客户端、服务器和处理器的任何计算机程序,其中存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。以上存储器类型仅是示例性的,因此不限于可用于存储计算机程序的存储器的类型。
此外,如本文所使用的,术语“实时”包括发生相关联事件的时间、数据收集的时间、处理数据的时间以及系统响应事件和环境的时间中的至少一个。在本文描述为实时发生的实施例中,这些活动和事件基本上是瞬时发生的。
在一个实施例中,提供了一种计算机程序,并且该程序被实施在计算机可读介质上。在示例实施例中,该系统在单个计算机系统上执行,而不需要连接到服务器计算机。在另一个示例实施例中,该系统在环境中运行(Windows是位于华盛顿州Redmond的Microsoft公司的注册商标)。在又一个实施例中,该系统在大型机环境和服务器环境上运行(UNIX是位于纽约的New York的AT&T的注册商标)。该应用非常灵活并且被设计为在各种不同的环境中运行,而不会损害任何主要功能。在一些实施例中,该系统包括分布在多个计算设备之间的多个部件。一个或多个部件可以是实施在计算机可读介质中的计算机可执行指令的形式。该系统和处理不限于本文描述的特定实施例。另外,每个系统和每个处理的部件可以独立于本文所述的其它部件和处理来实践。每个部件和处理也可以与其它组装包和处理组合使用。
以下详细描述通过示例而非限制的方式图示了本公开的实施例。可以预期,所公开的系统和方法具有由第三方在工业、商业和住宅应用中处理金融交易数据的一般适用性。
如本文所使用的,以单数形式叙述并且以词语“一”或“一个”开头的元件或步骤应理解为不排除多个元件或步骤,除非明确地陈述了这种排除。此外,对本公开的“示例实施例”或“一个实施例”的引用无意被解释为排除也包含所述特征的附加实施例的存在。
图1是图示具有反向推荐器模块34的示例多方支付卡网络系统20的示意图。在示例实施例中,支付卡网络系统20启用按卡支付(payment-by-card)交易,其中商家24和卡发行方30不需要具有一对一的关系。反向推荐器模块34是经过特殊编程的计算机系统,该系统使得当使用与持卡人相关联的交易卡对从商家24的购买进行支付时,来自多方支付卡网络系统20的商家数据能够用于确定持卡人或用户的模式外交易行为。在一些情况下,持卡人是发起由支付卡网络系统20处理的交易的账户持有者。在其它情况下,可以通过网站或智能电话应用访问持卡人支付卡的任何人都可以是持卡人。反向推荐器模块34用多个算法特别编程,这些算法被配置为以历史交易数据、商家数据以及来自其它信息和/或通信来源的推断数据的形式从持卡人接收各种数量的持卡人数据。然后,组合的数据用于确定与特定交易相关联的商家的反向推荐器分数。反向推荐器分数可以被认为是确定是否将特定商家推荐给持卡人的分数。如果反向推荐器分数低或在计算期间变低,那么该分数可能指示商家不是持卡人通常与之进行交易的商家,因此,可以是模式外交易行为的指示。
本文描述的实施例可以涉及一种交易卡系统,诸如使用Master交换网络的信用卡支付系统。Master交换网络是MasterCard International颁布的一组专有通信标准,用于在作为MasterCard International的成员的金融机构之间交换金融交易数据和进行资金结算。(MasterCard是位于纽约Purchas的MasterCard国际公司的注册商标)。如本文所使用的,金融交易数据包括与使用由发行方发行的支付卡的账户持有者相关联的唯一账号、表示持卡人进行的购买的购买数据,包括商家的类型、购买金额、购买日期以及其它数据,这些数据可以在多方支付卡网络系统20的任何方之间传输。
在典型的交易卡系统中,被称为“发行方”的金融机构向消费者或持卡人22发行交易卡,诸如信用卡或其它支付卡,该消费者或持卡人使用交易卡来为从商家24的购买进行支付。为了接受使用交易卡的支付,商家24通常必须在作为金融支付系统的一部分的金融机构中建立账户。这种金融机构通常被称为“商家银行”、“收单银行”或“收单方”。当持卡人22用交易卡对购买进行支付时,商家24从商家银行26请求对购买金额的授权。该请求可以通过电话来执行,但是通常通过使用销售点终端来执行,该销售点终端从磁条、芯片或交易卡上的浮雕字符读取持卡人22的账户信息,并与商家银行26的交易处理计算机进行电子通信。可替代地,商家银行26可以授权第三方代表其执行交易处理。在这种情况下,销售点终端将被配置为与第三方通信。这样的第三方通常被称为“商家处理器”、“收单处理器”或“第三方处理器”。
使用交换网络28,商家银行26的计算机或商家处理器将与发行方银行30的计算机通信,以确定持卡人22的账户32是否信誉良好,以及购买是否被持卡人22的可用信用额度覆盖。基于这些确定,授权请求将被拒绝或接受。如果请求被接受,那么授权代码被发放给商家24。
当授权请求被接受时,持卡人22的账户32的可用信用额度减少。通常,支付卡交易的费用不会立即过账到持卡人22的账户32中,因为银行卡协会(诸如MasterCardInternational)已颁布了禁止商家24在货物被运送或服务被交付之前进行收费或“捕获”的规则。但是,对于至少一些借记卡交易,可以在交易时过账费用。当商家24运送或交付货物或服务时,商家24通过例如在销售点终端上的适当的数据输入过程来捕获交易。这可能包括每天捆绑标准零售购买的已批准交易。如果持卡人22在交易被捕获之前取消交易,那么生成“无效单(void)”。如果持卡人22在捕获交易之后退货,那么生成“信用”。交换网络28和/或发行方银行30在数据库120(图2中示出)中存储交易卡信息,诸如,但不限于,商家的类型、商家标识符、交易完成的位置、购买金额以及交易的日期和时间。
在进行购买之后,将发生清算处理,以在交易各方(诸如商家银行26、交换网络28和发行方银行30)之间转移与购买相关的附加交易数据。更具体而言,在清算处理期间和/或之后,诸如购买时间、商家名称、商家类型、购买信息、持卡人账户信息、交易类型、行程信息、与购买的物品和/或服务相关的信息和/或其它合适的信息之类的附加数据与交易相关联并作为交易数据在交易双方之间传输,并且可以由交易的任何一方存储。在示例实施例中,当持卡人22购买旅行产品(诸如机票、旅馆住宿和/或出租汽车)时,在清算处理期间至少部分行程信息作为交易数据被传输。当交换网络28接收到行程信息时,交换网络28将行程信息路由到数据库120。
对于借记卡交易,当发行方批准对个人识别码(PIN)授权的请求时,持卡人的账户32减少。通常,费用会立即发布到持卡人的账户32。然后,支付卡协会将批准传输到收单处理器,以发放商品/服务或信息,或者在自动柜员机(ATM)的情况下发放现金。
在授权并清算交易之后,在商家24、商家银行26和发行方银行30之间结算交易。结算是指在与交易相关的商家24的账户、商家银行26和发行方银行30之间转移金融数据或资金。通常,捕获交易并将其累积成“批”,将其作为一个组进行结算。更具体而言,通常在发行方银行30与交换网络28之间,然后在交换网络28与商家银行26之间,然后在商家银行26与商家24之间结算交易。
图2是示例支付卡网络系统100的简化框图,该示例支付卡网络系统100包括多个计算机设备和反向推荐器模块34。在示例实施例中,多个计算机设备包括例如服务器系统112、客户端系统114和反向推荐器模块34。在一个实施例中,支付卡网络系统100实现为商家24生成反向推荐器分数的处理。更具体而言,反向推荐器模块34与服务器系统112通信,并且被配置为接收与多个商家和持卡人或账户持有者之间的金融交易相关的至少一部分金融交易数据。金融交易数据包括商家的信息,诸如位置,并且接收到的金融交易数据被存储在存储器设备中。
更具体而言,在示例实施例中,支付卡网络系统100包括服务器系统112和连接到服务器系统112的也称为客户端系统114的多个客户端子系统。服务器系统112还与支付处理器110和/或支付卡发行方108(诸如发行方银行30(图1中示出))通信。支付处理器110和/或服务器系统112可以与交换网络28(图1中示出)相关联。服务器系统112被配置为从支付处理器110接收交易数据。
在一个实施例中,客户端系统114是包括web浏览器的计算机,使得客户端系统114可使用互联网访问服务器系统112。客户端系统114通过许多接口互连到互联网,这些接口包括网络,诸如局域网(LAN)或广域网(WAN)、拨入连接、电缆调制解调器和专用高速综合业务数字网(ISDN)线路。客户端系统114可以是能够互连到互联网的任何设备,包括基于web的电话、PDA或其它基于web的可连接装备。
支付卡网络系统100还包括销售点(POS)终端118,其可以连接到客户端系统114并且可以连接到服务器系统112。销售点(POS)终端118通过许多接口互连到互联网,这些接口包括网络,诸如局域网(LAN)或广域网(WAN)、拨入连接、电缆调制解调器、无线调制解调器和专用高速ISDN线路。POS终端118可以是能够与互联网互连并且包括能够从消费者的金融交易卡中读取信息的输入设备的任何设备。
在示例实施例中,支付卡网络100可以被配置为处理授权消息,诸如符合ISO 8583的消息和符合ISO 20022的消息。如本文所使用的,“ISO”是指国际标准化组织批准的一系列标准(ISO是瑞士日内瓦国际标准化组织的注册商标)。符合ISO 8583的消息是由ISO8583标准定义的,该标准管理金融交易卡发起的消息,并进一步定义与此类金融交易卡发起的消息相关联的可接受的消息类型、数据元素和代码值。符合ISO 8583的消息包括数据元素的多个指定位置。符合ISO 20022的消息由ISO 20022标准定义。例如,符合ISO 20022的消息可以包括接受者到发行方卡消息(ATICA)。
数据库服务器116连接到数据库120,数据库120包含关于各种事项的信息,如下面更详细描述的。在一个实施例中,集中式数据库120存储在服务器系统112上,并且可以由在客户端系统114中的一个处的潜在持卡人通过客户端系统114中的一个通过登录到服务器系统112上来访问。在可替代实施例中,数据库120被存储在远离服务器系统112处并且可以是非集中式的。
数据库120可以包括具有分离的部分或分区的单个数据库,或者可以包括多个数据库,每个数据库彼此分离。数据库120可以存储作为通过处理网络进行的销售活动的一部分而生成的交易数据,包括与商家、账户持有者或客户、发行方、收单方、所进行的购买相关的数据。数据库120还可以存储账户数据,包括账户持有者的名称、账户持有者的地址、与账户持有者的名称相关联的主要账户号(PAN)以及其它账户标识符中的至少一个。数据库120还可以存储商家数据,包括识别每个注册为使用网络的商家的商家标识符,以及用于结算包括商家银行账户信息的交易的指令。数据库120还可以存储与由账户持有者从商家购买的商品相关联的购买数据以及授权请求数据。数据库120可以存储与由商家出售的商品或服务相关联的图片文件、名称、价格、描述、运送和交付信息、用于促进交易的指令,以及用于根据本公开中描述的方法促进处理的其它信息。
在示例实施例中,客户端系统114中的一个可以与商家银行26(图1中示出)相关联,而客户端系统114中的另一个可以与发行方银行30(图1中示出)相关联。POS终端118可以与参与商家24(图1中示出)相关联,或者可以是由进行在线购买或支付的账户持有者使用的计算机系统和/或移动系统。服务器系统112可以与交换网络28相关联。在示例实施例中,服务器系统112与诸如交换网络28之类的金融交易处理网络相关联,并且可以被称为交换计算机系统。服务器系统112可以用于处理交易数据。另外,客户端系统114和/或POS 118可以包括与在线银行、账单支付外包商、收单方银行、收单方处理器、与交易卡相关联的发行方银行、发行方处理器、远程支付处理系统、账单机和/或反向推荐器模块34中的至少一个相关联。反向推荐器模块34可以与交换网络28或与外部第三方相关联,该外部第三方与交换网络28具有合同关系。相应地,参与处理交易数据的每一方都与支付卡网络系统100中所示的计算机系统相关联,使得各方可以如本文所述彼此通信。
图3是支付卡网络系统100的服务器系统122的体系架构的示例实施例的扩展框图。在图3中,使用与图2中使用的相同的附图标记来标识与支付卡网络系统100(图2中示出)的部件相同的系统122中的部件。例如,反向推荐器模块34在图1-3中类似地标记。系统122包括服务器系统112、客户端系统114、POS终端118和至少一个输入设备119,诸如持卡人计算设备。服务器系统112还包括数据库服务器116、交易服务器124、web服务器126、传真服务器128、目录服务器130和邮件服务器132。存储设备134耦合到数据库服务器116和目录服务器130。服务器116、124、126、128、130和132耦合在局域网(LAN)136中。另外,系统管理员的工作站138、用户工作站140和主管的工作站142耦合到LAN 136。可替代地,工作站138、140和142使用互联网链接耦合到LAN 136,或者通过内联网连接。
每个工作站138、140和142是具有web浏览器的个人计算机。虽然在工作站处执行的功能通常被图示为在相应的工作站138、140和142处执行,但是这样的功能可以在耦合到LAN 136的许多个人计算机之一处执行。工作站138、140和142被图示为与单独的功能相关联,仅是为了促进理解可以由可访问LAN 136的个体执行的不同类型的功能。
服务器系统112被配置为使用ISP互联网连接148通信地耦合到反向推荐器模块34和各种个体,包括员工144,以及耦合到第三方,例如账户持有者、客户、审计师、开发人员、消费者、商家、收单方、发行方等146。示例实施例中的通信被图示为使用互联网来执行,但是,在其它实施例中可以利用任何其它广域网(WAN)类型的通信,即,系统和处理不限于使用互联网来实践。此外,不是使用WAN 150,可以使用局域网136来代替WAN 150。
在示例实施例中,具有工作站154的任何授权个体都可以访问系统122。客户端系统中的至少一个包括位于远程位置的管理器工作站156。工作站154和156是具有web浏览器的个人计算机。而且,工作站154和156被配置为与服务器系统112通信。此外,传真服务器128使用电话链路与包括客户端系统158的远程客户端系统通信。传真服务器128被配置为也与其它客户端系统138、140和142通信。
图4示出了服务器系统112的数据库服务器116内的数据库120的配置以及其它相关服务器部件。更具体而言,图4示出了与图2和图3中所示的服务器系统112的数据库服务器116通信的数据库120的配置。数据库120耦合到服务器系统112内的执行特定任务的几个单独的部件。
服务器系统112包括:接收部件160,用于接收与多个持卡人或账户持有者与多个商家之间的金融交易对应的金融交易数据;生成部件162,用于生成包括多个商家和与多个商家对相关联的多个交互计数的商家对应矩阵,该多个交互计数对由多个持卡人或账户持有者在多个商家对中的两个商家处进行的总金融交易进行计数;接收部件164,用于接收与特定持卡人或账户持有者与商家之间的离散金融交易对应的金融交易数据,以及生成部件166,用于基于反向推荐器算法为商家生成反向推荐器分数列表。
在示例实施例中,支付卡网络系统100包括管理部件(未示出),该管理部件提供输入部件以及编辑部件以促进管理功能。支付卡网络系统100可以灵活地提供其它可替代类型的报告,并且不限于上述选项。
在一个示例实施例中,数据库120被划分为多个部分,包括但不限于交易和购买数据部分170、商家数据部分172和持卡人账户数据部分174。数据库120内的这些部分被互连以根据需要更新和检索本文描述的信息。
图5图示了由用户201(诸如持卡人22(图1中示出))操作的用户系统202的示例配置。用户系统202可以包括例如但不限于客户端系统114、138、140、142、144、146、POS终端118、工作站154和管理器工作站156。在示例实施例中,用户系统202包括用于执行指令的处理器205。在一些实施例中,可执行指令存储在存储器区域210中。处理器205可以包括一个或多个处理单元,例如,多核配置。存储器区域210是允许诸如可执行指令和/或其它数据的信息被存储和检索的任何设备。存储器区域210可以包括一个或多个计算机可读介质。
用户系统202还包括至少一个媒体输出部件215,用于向用户201呈现信息。媒体输出部件215是能够将信息传达给用户201的任何部件。在一些实施例中,媒体输出部件215包括输出适配器,诸如视频适配器和/或音频适配器。输出适配器可操作地耦合到处理器205,并且可操作地耦合到输出设备,诸如显示设备、液晶显示器(LCD)、有机发光二极管(OLED)显示器或“电子墨水”显示器,或者音频输出设备、扬声器或耳机。
在一些实施例中,用户系统202包括用于从用户201接收输入的输入设备220。输入设备220可以包括例如键盘、定点设备、鼠标、触控笔、触敏面板、触摸板、触摸屏、陀螺仪、加速度计、位置检测器或音频输入设备。诸如触摸屏之类的单个部件可以既用作媒体输出部件215的输出设备又用作输入设备220。用户系统202还可以包括通信接口225,其可通信地耦合到诸如服务器系统112的远程设备。通信接口225可以包括例如有线或无线网络适配器或用于与移动电话网络、全球移动通信系统(GSM)、3G、4G或蓝牙或其它移动数据网络或全球微波接入互操作性(WIMAX)一起使用的无线数据收发器。
存储在存储器区域210中的是例如计算机可读指令,该计算机可读指令用于经由媒体输出部件215向用户201提供用户界面,以及可选地,接收和处理来自输入设备220的输入。用户界面除其它可能性外还可以包括web浏览器和客户端应用。Web浏览器使用户(诸如用户201)能够显示通常嵌入在来自服务器系统112的网页或网站上的媒体和其它信息并与之交互。客户端应用允许用户201与来自服务器系统112的服务器应用进行交互。
存储器区域210可以包括例如但不限于诸如动态RAM(DRAM)或静态RAM(SRAM)之类的随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)以及非易失性RAM(NVRAM)。以上存储器类型仅是示例,并且因此不限于可用于存储计算机程序的存储器的类型。
图6图示了诸如服务器系统112(在图2-4中示出)的服务器系统301的示例配置。服务器系统301可以包括例如但不限于数据库服务器116、交易服务器124、web服务器126、传真服务器128、目录服务器130和邮件服务器132。在示例实施例中,服务器系统301包括用于执行指令的处理器305。指令可以例如存储在存储器区域310中。处理器305可以包括一个或多个用于执行指令的处理单元(例如,以多核配置)。指令可以在服务器系统301上的各种不同操作系统中执行,诸如UNIX、LINUX、Microsoft等。还应该认识到的是,在发起基于计算机的方法时,各种指令可以在初始化期间执行。为了执行本文描述的一个或多个处理,可能需要一些操作,而其它操作可能更通用和/或特定于特定的编程语言(例如,C、C#、C++、Java或其它合适的编程语言等)。
处理器305可操作地耦合到通信接口315,使得服务器系统301能够与诸如用户系统或另一个服务器系统301的远程设备通信。例如,通信接口315可以经由互联网接收来自用户系统114的请求,如图2-4中所示。处理器305还可以可操作地耦合到存储设备134。存储设备134是适合于存储和/或检索数据的任何计算机操作的硬件。在一些实施例中,存储设备134被集成在服务器系统301中。例如但不限于,服务器系统301可以包括一个或多个硬盘驱动器作为存储设备134。在其它实施例中,存储设备134在服务器系统301的外部,并且可以由多个服务器系统301访问。例如但不限于,存储设备134可以包括多个存储单元,诸如在廉价盘冗余阵列(RAID)配置中的硬盘或固态盘。存储设备134可以包括存储区域网络(SAN)和/或网络附加存储(NAS)系统。
在一些实施例中,处理器305经由存储接口320可操作地耦合到存储设备134。存储接口320是能够向处理器305提供对存储设备134的访问的任何部件。存储接口320可以包括,例如但不限于,高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器和/或向处理器305提供对存储设备134的访问的任何部件。
存储器区域310可以包括例如但不限于诸如动态RAM(DRAM)或静态RAM(SRAM)之类的随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)以及非易失性RAM(NVRAM)。以上存储器类型仅是示例,并且因此不限于可用于存储计算机程序的存储器的类型。
图7是示出反向推荐器模块34(图1中示出)的操作的框图。反向推荐器模块34被配置为接收与多个商家进行交易的多个持卡人的历史交易数据、接收持卡人交易数据,并基于接收到的数据输出由反向推荐器模块34生成的反向推荐器分数。在示例实施例中,反向推荐器模块34与诸如支付卡交换网络28(图1中示出)的支付网络通信,以接收交易数据。
在示例实施例中,反向推荐器模块34被编程为与交换网络28通信以接收多个支付持卡人的交易信息404。交换网络28被配置为处理与商家银行26相关联的商家24和与发行方银行30相关联的持卡人22之间的支付卡交易。支付卡交易信息404包括与由多个持卡人22在多个商家24处进行的购买相关的数据,例如但不限于在预定时间段期间,在预定地理区域内,和/或一些其它应用于数据的标准。即,支付卡交易信息404包括多个持卡人22的历史交易信息,该历史交易信息可能受到应用于数据的一些标准的限制。
在一些实施例中,反向推荐器模块34还可以被编程为从商家24或从第三方服务402接收商家描述信息406。商家描述信息406包括与位置、营业时间、即将发生的事件、提供的娱乐以及广告和促销信息相关的信息。商家描述信息406可以存储在与交换网络28相关联的数据库120(图2中示出)中。
此外,在一些示例实施例中,反向推荐器模块34还可以被编程为相对于持卡人22的预定可选择位置和/或当前位置408确定多个商家24中的每一个的位置信息。例如,使用具有GPS能力410的持卡人计算设备119(图2中示出)的持卡人可以使用所确定的位置信息来确定商家距持卡人22的当前位置的距离。
在示例实施例中,反向推荐器模块34还被编程为使用接收到的交易信息404和特定持卡人22的离散交易来确定多个商家24中的每个商家的反向推荐器分数。反向推荐器分数指示持卡人22相对于持卡人的过去交易历史发起与该商家的交易的相对可能性,如本文更详细描述的。
图8是示出生成稀疏商家对应矩阵806的处理的框图。在示例实施例中,反向推荐器模块34将在指定时间段期间与多个持卡人的金融交易相关联的商家24(图1中示出)输入到存储在数据库(诸如数据库120(图2中示出))中的空矩阵800中。如图8中所示,空矩阵800的垂直和水平轴包括在指定时间段期间与多个持卡人的金融交易相关联的所有商家。例如,在一个实施例中,对商家进行相同的排序,并且商家的行和列从共同的原点延伸,使得对称线808对角地延伸穿过矩阵。注意的是,空矩阵800是对称矩阵。特别地,交易数据802被接收并存储在数据库(例如,数据库120)中,并被安排成使得持卡人在观察窗口804期间在商家对之间的交易被链接到持卡人的账户。商家对之间的交易数据802用于填充空矩阵800,以生成对称的稀疏商家对应矩阵806。例如但不限于,在一个实施例中,可以使用持卡人四个月的金融交易数据来生成稀疏商家对应矩阵806。可替代地,可以使用使反向推荐器模块34能够如本文所述地起作用的任何数量的持卡人的金融交易数据来生成稀疏商家对应矩阵806。
在示例实施例中,初始空矩阵800包括例如沿着垂直和水平轴的商家A、B、C、D、E和F。反向推荐器模块34获得在指定时间段或观察窗口804期间已经与商家A、B、C、D、E和/或F交易过的持卡人的交易数据802。交易数据802由支付网络提供,诸如支付卡交换网络28(图1中示出)。反向推荐器模块34使用交易数据802填充空矩阵800以获得稀疏商家对应矩阵806。在示例实施例中,持卡人必须已在指定时间段期间或观察窗口804内与商家A、B、C、D、E和/或F中的两个或更多个交易,以便使持卡人的交易数据在稀疏商家对应矩阵806中被计数。这有助于减少持卡人偏向单个商家的影响。持卡人与商家之间的交易可以在观察窗口804期间的任何时间发生。
在示例实施例中,对于持卡人已与其交易过的每对商家,反向推荐器模块34使与该商家对相关联的计数器递增。例如,如图8中所示,第一持卡人在观察窗口804期间与商家A和B执行了交易。如上所述,与A和B的交易不需要在同一日期发生,而仅需要在观察窗口804内发生。基于这些交易,反向推荐器模块34将稀疏商家对应矩阵806的块(A,B)中存储的值递增一的值。附加地,块(B,A)被递增对应的一的值。如交易数据802中所示,第二持卡人和第四持卡人都与商家E和B执行了交易。因此,反向推荐器模块34将商家对应矩阵806的块(E,B)和(B,E)递增二的值。由此,稀疏商家对应矩阵806被生成为具有零值的对称行808的对称矩阵。
在用所有交易数据802填充稀疏商家对应矩阵806之后,稀疏商家对应矩阵806基于多个持卡人与该对中的两个商家进行交易的频繁程度来提供商家对24之间的关联的度量。稀疏商家对应矩阵806被存储在数据库中。特别地,交易数据802被存储在数据库中,并且存储器被布置为使得持卡人在观察窗口804期间在商家对之间的交易被链接到持卡人的账户。
此外,稀疏商家对应矩阵806基于跨多个持卡人的不带持卡人偏好的历史交易数据,提供每个商家相对于其它商家的受欢迎程度的指示。虽然以上以一为单位描述了增量值,但是应该注意的是,该值可以是使反向推荐器模块34能够如本文所述的那样起作用的任何预定非零值。
图9是在反向推荐器模块34中执行的步骤的图示900。在示例实施例中,反向推荐器模块34以稀疏商家对应矩阵806开始,该矩阵包括所有表示的商家对24,并且具有以在商家的列和行对的交点处的每个单元格中填充的起始值,如上所述。在一个实施例中,稀疏商家对应矩阵806可以被归一化,使得每列的总和为1。
反向推荐器模块34为每个持卡人生成用户历史交易向量902,并将其存储在数据库中,诸如数据库120。用户历史交易向量902是大小为n×1的列向量,并且包括稀疏商家对应矩阵806中包括的每个商家24(由n表示)。为了生成每个用户历史交易向量902,在用户历史交易向量902中为每个商家设置非零初始值。对于持卡人进行交易的每个商家,在用户历史交易向量902中为非零初始值赋予更大的值。在一个实施例中,例如,可以将非零初始值设置为1/(矩阵中商家的总数),并且可以将先前发生持卡人交易的每个商家的值设置为l/(交易商家的数量)。例如,参考图8,在稀疏商家对应矩阵806中包括总共六个商家。因此,用户历史交易向量902中每个商家的非零初始值对于用户历史交易向量902中的每个条目可以是1/6或0.167。如果持卡人与其中两个商家进行过交易,那么持卡人的用户历史交易向量902中的那些商家值将增加到1/2或0.5。与稀疏商家对应矩阵806一样,可以对用户历史交易向量902进行归一化,使得列向量的总和为1。
在示例实施例中,在持卡人在该持卡人先前未与之进行交易的商家处执行交易之后,使用用户历史交易向量902来生成反向推荐器分数向量904。特别地,反向推荐器模块34执行矩阵向量乘法函数,并将稀疏商家对应矩阵806乘以用户历史交易向量902。这种乘法可以被认为是在持卡人先前访问的位置处将大量的激活放入到商家网络中。在初始计算之后,反向推荐器分数向量904用作矩阵向量乘法函数中的新向量。重复计算可选择的次数具有通过商家网络分配激活的效果。
在一些实施例中,在初始计算之后,可以使用加权技术将反向推荐器分数向量904与历史交易向量902组合。例如,但不限于,反向推荐器分数向量904可以通过将其与加权因子相乘来加权,并且随后添加到历史交易向量902,该历史交易向量902与加权因子相乘。然后将所得的加权组合向量用于下一次迭代。该方法可以被重复预定次数。例如,以下等式可以用于确定加权组合向量。
C=xA+(1-x)B
其中x等于加权因子(例如,恒定值),A等于反向推荐器分数向量904,B等于历史交易向量902,并且C是加权组合向量。在上式中,x是介于零和一之间的值。
在示例实施例中,每个商家的反向推荐器分数是在执行矩阵向量乘法函数所选择的次数之后,反向推荐器分数向量904或加权组合向量中的商家槽位(slot)的最终值。为了确定与新商家的特定交易对于持卡人而言是否是模式外交易行为,比较初始用户历史交易向量902和反向推荐器分数向量904之间的商家分数或值的成比例变化。如果持卡人的交易历史使得新商家的分数显著增加,那么意味着持卡人的交易历史在该商家附近。如果持卡人的交易历史使得分数减少或相对于其它商家仅略有增加,那么这指示该特定交易对于持卡人而言是模式外的。即,出于确定模式外交易的目的,基于针对每个商家的反向推荐器分数的百分比变化来给予更大的权重。如果分数变化百分比为负或与其它商家相比比例上较小,那么新交易被确定为对于持卡人是模式外的。
在一个示例实施例中,反向推荐器模块34实时地为每个新商家交易确定反向推荐器分数。例如但不限于,当持卡人在不属于持卡人交易历史的一部分的商家处执行交易时,反向推荐器模块34执行矩阵向量乘法函数以确定该新商家的反向推荐器分数。如果反向推荐器分数指示该交易是持卡人的模式外交易,那么反向推荐器模块34将该反向推荐器分数传输给例如支付处理器,诸如支付处理器110(图2中示出)、支付卡发行方,诸如发行方银行30(图1中示出),和/或任何其它发出请求的客户端系统。支付处理器、发行方和/或其它发出请求的客户端系统可以标记该交易以进行另外的调查。
可替代地,或附加地,在另一个实施例中,如果反向推荐器分数指示交易对于持卡人而言是模式外交易,那么反向推荐器模块34将模式外交易警报传输给支付处理器、发行方和/或任何其它发出请求的客户端系统。从反向推荐器模块34接收到的警报激活支付处理器、发行方银行和/或其它发出请求的客户端系统的欺诈评分系统,因此将该模式外交易标记为欺诈的高风险。例如,欺诈评分系统是对支付处理器、发行方银行和/或其它发出请求的客户端系统的附加保护层,其促进检测潜在的欺诈性交易。当持卡人发起交易时,欺诈评分系统可以接收包括交易信息的授权请求消息。欺诈评分系统可以使用各种欺诈评分算法来生成欺诈分数,该欺诈分数可以指示交易是欺诈性的可能性。如果由欺诈评分系统生成的欺诈分数达到阈值水平(即,交易可能是欺诈性的),那么欺诈评分系统可以生成欺诈评分响应消息。虽然欺诈评分系统可以促进欺诈性交易的检测,但它们也可能推荐批准欺诈性交易(也称为假阳性)或拒绝真实交易(也称为假阴性)。欺诈分数可以基于认证请求和历史持卡人交易中包含的数据的比较,并且基于欺诈分数是否超过预定欺诈阈值来认证或拒绝认证请求。
在另一个示例实施例中,如果反向推荐器分数指示交易对于持卡人而言是模式外交易,那么反向推荐器模块34自动向支付处理器、发行方和/或其它发出请求的客户端系统传输模式外交易警报。当从反向推荐器模块34接收到模式外交易警报时,实时在诸如POS终端118(在图2中示出)的POS终端处拒绝交易。即,在执行潜在欺诈性交易的同时拒绝该交易。
图10是由线1002指示的欺诈分数和由线1004指示的组合欺诈分数的曲线图1000。在示例实施例中,组合欺诈分数是针对商家的欺诈分数和反向推荐器分数的组合。曲线图1000的X轴指示为假阳性的交易(即,可能被指示为欺诈性的但不是真正的欺诈的交易)的百分比。曲线图1000的Y轴指示为真阳性的交易(即,可能被指示为欺诈性的并且被确定为实际欺诈的交易)的百分比。当您沿着X轴从左向右移动时,它可以被可视化为降低上述预定欺诈阈值。在示例实施例中,阈值线1006垂直延伸并且代表预定欺诈阈值,例如但不限于,在该实施例中为约0.9%。预定欺诈阈值(即阈值线1006)是在完成交易之前商家将进一步调查交易的阈值。
在示例性实施例中,欺诈分数线1002从曲线图1000的原点向上爬,并沿着X轴延伸。欺诈分数线1002在Y轴上大约20%的标记处越过阈值线1006。由此,欺诈分数线1002指示:仅使用该欺诈分数,在0.9%的假阳性阈值下识别出大约20%的实际欺诈。即,对于所有交易,检测到20%的欺诈,而仅影响0.9%的交易。将由反向推荐器模块34确定的反向推荐器分数与欺诈分数组合产生组合欺诈分数线1004。如图10中所示,组合欺诈分数线1004在Y轴上大约24%的标记处越过阈值线1006。由此,组合欺诈分数可以检测到所有欺诈的大约24%,而仅影响0.9%的交易。因此,反向推荐器分数与欺诈分数的组合使欺诈检测率比仅使用欺诈分数的欺诈检测率增加约20%。
在另一个替代实施例中,反向推荐器模块34与其它已知的认证方法一起使用以促进交易的认证。当在新商家处发起交易时,反向推荐器模块34可以计算新商家的反向推荐器分数。如果反向推荐器分数指示该交易对于持卡人是模式外的,那么该交易可以被标记或提升为递升(step-up)认证。对于递升认证交易,可以在授权交易之前采取附加的认证措施。例如,但不限于,在一个实施例中,在交易可以被授权之前,可以提示持卡人进行两因素认证。
在另一个实施例中,反向推荐器模块34可以用于事后(post hoc)分析。例如,但不限于,如果怀疑或发现欺诈和/或某种其它侵害,那么可以使用反向推荐器分数来促进对可疑侵害的发现和/或分析。对于一些漏洞利用或侵害,有时会出现一些早期警告,诸如当以某种不寻常的方式测试一堆交易卡时,并且可以使用反向推荐器分数来尽早识别这种测试和探查操作,因为这些交易对于相关联的持卡人而言是模式外的。
图11是一系列交易的持卡人的反向推荐器分数1102的曲线图1100。在示例实施例中,曲线图1100的X轴是一系列交易,例如,三十五个交易的样本。曲线图1100的Y轴是如由反向推荐器模块34确定的反向推荐器分数。在一个实施例中,反向推荐器分数由反向推荐器模块34实时计算。可替代地,在其它实施例中,反向推荐器分数是由反向推荐器模块34在发生交易之后,诸如在事后分析操作中计算的。在示例实施例中,曲线图1100示出了反向推荐器分数,其中较高的值意味着交易是自洽的,并且较低的值指示该特定交易卡的模式外行为。
如曲线图1100所示,反向推荐器分数示出了在各种商家处使用卡时的一些上下波动,最终稳定在对于交易卡的持卡人正常的模式,例如,在约为-2的值处。但是,交易24和25显著下降到-8和-9之间的值。这指示这两个交易被确定为非常不寻常,或者对于交易卡的持卡人而言是模式外的。例如,但不限于,这些交易可以是欺诈性交易的指示。在一些实施例中,这样的交易可以是旨在测试和探测交易卡的小交易,然后在以后,存在实际上较大金额的欺诈。例如,与交易27相关联的线1104表示与交易27相关联的报告的实际欺诈。
与实际欺诈交易相关联的反向推荐器分数可能不触发欺诈警报,因为对交易卡的漏洞利用可能发生在持卡人通常进行交易业务的商家处。欺诈者通常在一个商家处测试和探测交易卡并且然后他们在另一个商家处使用该交易卡进行较大的交易金额。例如,较大的交易可能是针对主要零售连锁商家处的礼品卡。使用已知的欺诈检测技术可能无法识别初始测试和探测交易或引起关注。反向推荐器模块34和反向推荐器分数的确定的优点在于,即使这种初始交易可能不是发生重大欺诈损失的情况,也可以在模式外交易发生时检测到它们。由此,反向推荐器模块34提供了检测和标记潜在测试和探测交易的优点。
图12是用于使用耦合到存储器设备的计算机设备来检测模式外支付卡交易的示例方法1200的流程图。在示例实施例中,方法1200由反向推荐器模块34(图2中示出)实现。方法1200是基于计算机的方法,用于基于持卡人的历史购买模式来检测模式外支付卡交易,即基于交易超出持卡人的历史购买模式来检测与商家的欺诈性交易。该方法是使用反向推荐器模块或耦合到存储器设备的计算机设备来实现的。反向推荐器模块例如通过网络可通信地耦合到支付处理器。此外,矩阵处理器(其可以是存储在单独的数据存储和检索设备上的单独的数据结构)也通过网络或通过专用网络(诸如但不限于LAN)通信地耦合到支付处理器。该方法包括接收1202与多个账户持有者和多个商家之间的金融交易对应的金融交易数据。在一个实施例中,反向推荐器模块通过网络从支付处理器接收金融交易数据。在其它实施例中,矩阵处理器直接从支付处理器接收金融交易数据。
该方法还包括生成1204包括多个商家和与多个商家对相关联的多个交互计数的商家对应矩阵,以及将商家对应矩阵存储1206在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中。多个交互计数用于对由多个账户持有者在多个商家对中的至少一对中的两个商家处进行的总金融交易进行总计。例如,在一个实施例中,每个持卡人已在一个以上的商家处进行了交易,反向推荐器模块用交易信息来更新商家对应矩阵。更具体而言,计数器与商家对应矩阵内的每个商家相关联。对于每个持卡人访问的每对商家,反向推荐器模块递增与那些商家相关联的交互的计数器。因此,持卡人与特定商家对进行交易的频率越高,商家对在商家对应矩阵中获得的关联就越多。
图8示出了这样的一种对交互进行计数的可视结果。沿着矩阵的每个轴表示多个商家,并且如在表示一个商家的列和指示第二商家的行中找到的,在该两个商家的交点处,对账户持有者与两个商家的交互进行计数。对于在这两个商家处来自所有账户持有者的每次交互,交叉点处的单元格递增。然后,可以在反向推荐器评分或欺诈检测方案中使用该计数,作为将账户持有者不太可能使用的商家捆绑在一起的指示。该计数可以用在反向推荐器评分或欺诈检测方案中,作为账户持有者的购买模式的指示。例如,当接收到金融交易数据时,计算反向推荐器分数。如果反向推荐器分数指示交易不在持卡人的历史模式之内,那么金融交易可以被拒绝,反向推荐器分数可以被传输给商家,或者交易可以被标记为递升认证,以促进确认欺诈性交易。由此,反向推荐器模块可以向支付处理器和/或账户持有者警告潜在的欺诈性交易。
该方法还包括接收1208与商家和持卡人或账户持有者之间的新交易相关联的交易数据。通常,商家从商家银行请求对交易金额的授权。反向推荐器模块基于与持卡人或账户持有者相关联的历史交易数据为新交易生成1210反向推荐器分数。例如,反向推荐器模块基于包括在商家对应矩阵中的持卡人或账户持有者与多个商家的历史交易数据来生成初始用户历史交易向量。反向推荐器分数可以用于确定交易是欺诈性的可能性。
反向推荐器模块使用初始用户历史交易向量为新交易生成反向推荐器分数。初始用户历史交易向量表示包括在商家对应矩阵中的持卡人与商家的历史交易。反向推荐器模块对初始用户历史交易向量进行归一化,使得每个商家被赋予一个值,并且初始用户历史交易向量中多个商家的值总和为1,从而提供了基于持卡人的历史交易而有所偏差的缩放的初始用户历史交易向量。
在生成初始用户历史交易向量之后,反向推荐器模块将初始用户历史交易向量与商家对应矩阵相乘以确定每个商家的反向推荐器分数。商家反向推荐器分数表示根据持卡人历史交易信息调整的每个商家相对于多个商家的一般受欢迎的程度或度量。所得的反向推荐器分数向量与商家对应矩阵相乘预定次数。将最终反向推荐器分数向量与初始用户历史交易向量进行比较,并将与当前交易相关联的商家分数的变化与其它商家的变化进行比较。如果反向推荐器分数的变化相对于其它商家为负,那么这指示持卡人的模式外行为。
如基于前述说明书将认识到的,可以使用包括计算机软件、固件、硬件或其任何组合或子集的计算机编程或工程技术来实现本公开的上述实施例。可以在一个或多个计算机可读介质中实施或提供具有计算机可读和/或计算机可执行指令的任何这种所得程序,从而根据本公开的所讨论的实施例制造计算机程序产品,即,制造品。计算机可读介质可以是例如固定(硬盘)驱动器、软盘、光盘、磁带、诸如只读存储器(ROM)或闪存之类的半导体存储器等,或者任何传输/接收介质,诸如互联网或其它通信网络或链接。可以通过直接从一种介质执行指令、通过将代码从一种介质复制到另一种介质或通过在网络上传输代码来制造和/或使用包含计算机代码的制造品。
通过执行以下步骤中的至少一个来实现本文所述的系统和方法的技术效果:(a)通过反向推荐器模块接收与多个账户持有者和多个商家之间的历史支付卡交易对应的第一金融交易数据;(b)基于第一金融交易数据,生成包括多个商家和多个计数器的商家对应矩阵,该多个计数器指示多个商家对和多个账户持有者之间的历史支付卡交易的数量;(c)将包括多个计数器的商家对应矩阵存储在数据库中;(d)通过反向推荐器模块接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付卡交易相关联的第二金融交易数据;以及(e)基于第一金融交易数据中的账户持有者历史支付卡交易数据,为新支付卡交易生成反向推荐器分数,其中账户持有者历史支付卡交易数据包括与由账户持有者访问的多个商家相关联的历史支付卡交易数据。
如本文所使用的,术语“非暂态计算机可读介质”旨在表示在用于短期和长期存储信息的任何方法或技术中实现的任何基于有形计算机的设备,诸如,计算机可读指令、数据结构、程序模块和子模块或任何设备中的其它数据。因此,本文描述的方法可以被编码为实施在有形、非暂态计算机可读介质中的可执行指令,该介质包括但不限于存储设备和/或存储器设备。当由处理器执行时,这样的指令使处理器执行本文描述的方法的至少一部分。此外,如本文所使用的,术语“非暂态计算机可读介质”包括所有有形的计算机可读介质,包括但不限于非暂态计算机存储设备,包括但不限于易失性和非易失性介质,以及可移动和不可移动介质,诸如固件、物理和虚拟存储、CD-ROM、DVD和任何其它数字源,诸如网络或互联网,以及尚未开发的数字方式,唯一的例外是短暂的传播信号。
如本文所使用的,术语“计算机”和相关术语,例如,“计算设备”不限于本领域中称为计算机的集成电路,而是广泛地指微控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其它可编程电路,并且这些术语在本文可互换使用。
如本文所使用的,术语“移动计算设备”是指以便携式方式使用的任何计算设备,包括但不限于智能电话、个人数字助理(“PDA”)、计算机平板电脑、混合电话/计算机平板电脑(“平板电话”)或其它能够在本文描述的系统中工作的类似移动设备。在一些示例中,移动计算设备可以包括各种外围设备和配件,包括但不限于麦克风、扬声器、键盘、触摸屏、陀螺仪、加速度计和计量设备。另外,如本文所使用的,“便携式计算设备”和“移动计算设备”可以互换地使用。
如本文在整个说明书和权利要求书中所使用的,近似语言可以用于修改可允许变化的任何定量表示,而不会导致与之相关的基本功能的变化。因此,由诸如“大约”和“基本上”的一个或多个术语修饰的值不限于所指定的精确值。在至少一些情况下,近似语言可以对应于用于测量值的仪器的精度。在这里以及整个说明书和权利要求书中,范围限制可以被组合和/或互换。除非上下文或语言另外指出,否则这样的范围被识别为并且包括其中包含的所有子范围。
本书面描述使用示例来描述本公开,包括最佳模式,并且还使本领域的任何技术人员能够实践本公开,包括制造和使用任何设备或系统以及执行任何结合的方法。本申请的专利范围由权利要求书限定,并且可以包括本领域技术人员想到的其它示例。如果这样的其它示例具有与权利要求的字面语言没有不同的结构元件,或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件,那么它们旨在权利要求的范围内。
Claims (20)
1.一种用于检测模式外支付交易的反向推荐器系统,所述反向推荐器系统包括:
用于存储数据的存储器设备;以及
通信地耦合到所述存储器设备的处理器,所述处理器被编程为:
接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据;
基于第一交易数据,生成包括多个商家和多个计数器的商家对应矩阵,所述多个计数器指示所述多个商家的商家对与所述多个账户持有者之间的历史支付交易的数量;
将所述商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的所述存储器设备中;
接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据;以及
基于第一交易数据中的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数,所述账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
2.根据权利要求1所述的反向推荐器系统,其中所述处理器还被配置为生成与账户持有者相关联的历史交易向量,所述历史交易向量包括与由账户持有者访问的多个商家相关联的账户持有者历史支付交易数据。
3.根据权利要求2所述的反向推荐器系统,其中所述处理器被配置为通过将历史交易向量应用于商家对应矩阵以生成反向推荐器分数向量来生成所述反向推荐器分数。
4.根据权利要求3所述的反向推荐器系统,其中将历史交易向量应用于商家对应矩阵包括将商家对应矩阵乘以历史交易向量。
5.根据权利要求3所述的反向推荐器系统,其中所述处理器被配置为通过将反向推荐器分数向量应用于商家对应矩阵可选择的次数来生成所述反向推荐器分数。
6.根据权利要求5所述的反向推荐器系统,其中将所述反向推荐器分数向量应用于商家对应矩阵可选择的次数包括:在反向推荐器分数向量中向多个商家输入激活量,输入到所述多个商家中的每个商家的激活量基于由账户持有者先前对每个商家的访问次数。
7.根据权利要求6所述的反向推荐器系统,其中所述处理器还被配置为将反向推荐器分数向量与历史交易向量进行比较,以确定新金融交易是否为模式外支付交易。
8.根据权利要求7所述的反向推荐器系统,其中将反向推荐器分数向量与历史交易向量进行比较包括:比较多个商家中的每个商家的值的成比例的变化。
9.根据权利要求1所述的反向推荐器系统,其中所述处理器还被配置为基于账户持有者历史支付交易数据和与新支付交易相关联的第二交易数据来生成欺诈分数,并将欺诈分数和新支付交易的所述反向推荐器分数组合。
10.根据权利要求1所述的反向推荐器系统,其中所述处理器还被配置为在授权新交易之前提示账户持有者进行附加的认证。
11.根据权利要求1所述的反向推荐器系统,其中所述处理器还被配置为在所述反向推荐器分数达到预定阈值水平的情况下生成欺诈警报。
12.一种用于检测模式外支付交易的基于计算机的方法,所述方法包括:
接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据;
基于第一交易数据,生成包括多个商家和多个计数器的商家对应矩阵,所述多个计数器指示所述多个商家的商家对与多个账户持有者之间的历史支付交易的数量;
将商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中;
接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据;以及
基于第一交易数据中的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数,所述账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
13.根据权利要求12所述的方法,还包括生成与账户持有者相关联的历史交易向量,所述历史交易向量包括与由账户持有者访问的多个商家相关联的账户持有者历史支付交易数据。
14.根据权利要求13所述的方法,其中生成反向推荐器分数包括将历史交易向量应用于商家对应矩阵,以生成反向推荐器分数向量。
15.根据权利要求14所述的方法,其中将反向推荐器分数向量应用于商家对应矩阵包括:在反向推荐器分数向量中向多个商家输入激活量,输入到多个商家中的每个商家的激活量基于由账户持有者先前对每个商家的访问次数。
16.根据权利要求15所述的方法,还包括将反向推荐器分数向量的每个商家的值的成比例变化与历史交易向量进行比较,以确定新金融交易是否为模式外支付交易。
17.根据权利要求12所述的方法,还包括:
基于账户持有者历史支付交易数据和与新支付交易相关联的第二交易数据来生成欺诈分数;
将欺诈分数和反向推荐器分数组合成新支付交易的组合分数;以及
在组合的欺诈分数满足预定阈值水平的情况下生成欺诈警报。
18.一种或多种在其上实施有计算机可执行指令的非暂态计算机可读存储介质,其中所述计算机可执行指令在由至少一个处理器执行时,使所述处理器:
接收与多个账户持有者和多个商家之间的历史支付交易对应的第一交易数据;
基于第一交易数据,生成包括多个商家和多个计数器的商家对应矩阵,所述多个计数器指示多个商家的商家对与多个账户持有者之间的历史支付交易的数量;
将商家对应矩阵存储在将商家对链接到多个账户持有者中的每个账户持有者的存储器设备中;
接收与多个账户持有者中的账户持有者和多个商家中的商家之间的新支付交易相关联的第二交易数据;以及
基于第一交易数据中的账户持有者历史支付交易数据为新支付交易生成反向推荐器分数,所述账户持有者历史支付交易数据包括与由账户持有者访问的多个商家相关联的历史支付交易数据。
19.根据权利要求18所述的计算机可读存储介质,其中所述计算机可执行指令还使所述处理器:
生成与账户持有者相关联的历史交易向量,所述历史交易向量包括与由账户持有者访问的多个商家相关联的账户持有者历史支付交易数据,其中生成反向推荐器分数包括将历史交易向量应用于商家对应矩阵可选择的次数。
20.根据权利要求18所述的计算机可读存储介质,其中所述计算机可执行指令还使所述处理器:
基于账户持有者历史支付交易数据和与新支付交易相关联的第二交易数据来生成欺诈分数;
将欺诈分数和反向推荐器分数组合成新支付交易的组合分数;以及
在组合的欺诈分数达到预定阈值水平的情况下生成欺诈警报。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/794,768 US10896424B2 (en) | 2017-10-26 | 2017-10-26 | Systems and methods for detecting out-of-pattern transactions |
US15/794,768 | 2017-10-26 | ||
PCT/US2018/052143 WO2019083653A1 (en) | 2017-10-26 | 2018-09-21 | SYSTEMS AND METHODS FOR DETECTING INACCUSTUMIZED TRANSACTIONS |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111279375A true CN111279375A (zh) | 2020-06-12 |
CN111279375B CN111279375B (zh) | 2024-01-30 |
Family
ID=63841033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880069806.2A Active CN111279375B (zh) | 2017-10-26 | 2018-09-21 | 用于检测模式外交易的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (3) | US10896424B2 (zh) |
CN (1) | CN111279375B (zh) |
WO (1) | WO2019083653A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10937030B2 (en) | 2018-12-28 | 2021-03-02 | Mastercard International Incorporated | Systems and methods for early detection of network fraud events |
US11521211B2 (en) | 2018-12-28 | 2022-12-06 | Mastercard International Incorporated | Systems and methods for incorporating breach velocities into fraud scoring models |
US11157913B2 (en) | 2018-12-28 | 2021-10-26 | Mastercard International Incorporated | Systems and methods for improved detection of network fraud events |
US11151569B2 (en) | 2018-12-28 | 2021-10-19 | Mastercard International Incorporated | Systems and methods for improved detection of network fraud events |
US10769896B1 (en) * | 2019-05-01 | 2020-09-08 | Capital One Services, Llc | Counter-fraud measures for an ATM device |
EP4010792A4 (en) * | 2019-08-07 | 2022-09-28 | Visa International Service Association | SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR AUTHENTICATION OF A TRANSACTION BASED ON BEHAVIOR BIOMETRIC DATA |
US10997608B1 (en) * | 2019-12-12 | 2021-05-04 | Sift Science, Inc. | Systems and methods for insult rate testing and reconfiguring an automated decisioning workflow computer for improving a machine learning-based digital fraud and digital abuse mitigation platform |
US11132698B1 (en) | 2020-04-10 | 2021-09-28 | Grant Thornton Llp | System and methods for general ledger flagging |
CN114078008A (zh) * | 2020-08-20 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 异常行为检测方法、装置、设备及计算机可读存储介质 |
GB2602251A (en) * | 2020-12-09 | 2022-06-29 | Mastercard International Inc | Allocation optimisation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
US20150012430A1 (en) * | 2013-07-03 | 2015-01-08 | Mastercard International Incorporated | Systems and methods for risk based decisioning service incorporating payment card transactions and application events |
US20160162759A1 (en) * | 2014-12-05 | 2016-06-09 | Lg Cns Co., Ltd. | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same |
US20160171498A1 (en) * | 2014-12-11 | 2016-06-16 | Mastercard International Incorporated | Systems and methods for fraud detection by transaction ticket size pattern |
WO2017100677A1 (en) * | 2015-12-11 | 2017-06-15 | Mastercard International Incorporated | Systems and methods for generating recommendations using a corpus of data |
Family Cites Families (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7403922B1 (en) * | 1997-07-28 | 2008-07-22 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US7263506B2 (en) | 2000-04-06 | 2007-08-28 | Fair Isaac Corporation | Identification and management of fraudulent credit/debit card purchases at merchant ecommerce sites |
US7788123B1 (en) * | 2000-06-23 | 2010-08-31 | Ekhaus Michael A | Method and system for high performance model-based personalization |
US7469233B2 (en) | 2000-07-24 | 2008-12-23 | American Express Travel Related Services Company, Inc. | Method and system for facilitating the anonymous purchase of goods and services from an e-commerce website |
US7103556B2 (en) | 2000-11-02 | 2006-09-05 | Jpmorgan Chase Bank, N.A. | System and method for aggregate portfolio client support |
CA2426168A1 (en) * | 2000-11-02 | 2002-05-10 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US20030217094A1 (en) | 2002-05-17 | 2003-11-20 | Anthony Dean Andrews | Correlation framework |
JP2004263885A (ja) * | 2003-02-07 | 2004-09-24 | Daikin Ind Ltd | 冷媒配管の洗浄方法、空気調和装置の更新方法、及び、空気調和装置 |
US20090132347A1 (en) * | 2003-08-12 | 2009-05-21 | Russell Wayne Anderson | Systems And Methods For Aggregating And Utilizing Retail Transaction Records At The Customer Level |
US20050055373A1 (en) * | 2003-09-04 | 2005-03-10 | Forman George H. | Determining point-of-compromise |
US8285639B2 (en) * | 2005-07-05 | 2012-10-09 | mConfirm, Ltd. | Location based authentication system |
US7672865B2 (en) * | 2005-10-21 | 2010-03-02 | Fair Isaac Corporation | Method and apparatus for retail data mining using pair-wise co-occurrence consistency |
US20070244746A1 (en) | 2006-04-18 | 2007-10-18 | Issen Daniel A | Correlating an advertisement click event with a purchase event |
US20120296824A1 (en) | 2007-12-28 | 2012-11-22 | Rosano Sharon A | Systems and methods for correction of information in card-not-present account-on-file transactions |
US8694429B1 (en) | 2008-01-15 | 2014-04-08 | Sciquest, Inc. | Identifying and resolving discrepancies between purchase documents and invoices |
US7814008B2 (en) | 2008-02-29 | 2010-10-12 | American Express Travel Related Services Company, Inc. | Total structural risk model |
US7849004B2 (en) | 2008-02-29 | 2010-12-07 | American Express Travel Related Services Company, Inc. | Total structural risk model |
US9953143B2 (en) | 2008-05-05 | 2018-04-24 | Oracle International Corporation | Software identifier based correlation |
US20090307049A1 (en) * | 2008-06-05 | 2009-12-10 | Fair Isaac Corporation | Soft Co-Clustering of Data |
US8489476B1 (en) | 2008-06-30 | 2013-07-16 | United States Automobile Association (USAA) | Data manager for suspicious activity monitor |
US20150220999A1 (en) | 2009-01-21 | 2015-08-06 | Truaxis, Inc. | Method and system to dynamically adjust offer spend thresholds and personalize offer criteria specific to individual users |
US8090648B2 (en) * | 2009-03-04 | 2012-01-03 | Fair Isaac Corporation | Fraud detection based on efficient frequent-behavior sorted lists |
WO2010129563A2 (en) * | 2009-05-04 | 2010-11-11 | Visa International Service Association | Determining targeted incentives based on consumer transaction history |
WO2011025689A1 (en) * | 2009-08-25 | 2011-03-03 | Bank Of America Corporation | Integrated fraud platform |
HUP1000408A2 (en) * | 2010-07-30 | 2012-03-28 | Gravity Res & Dev Kft | Recommender systems and methods |
ES2683174T3 (es) | 2011-03-25 | 2018-09-25 | Visa International Service Association | Aparatos, métodos y sistemas de compra en persona con un solo toque |
US9704195B2 (en) * | 2011-08-04 | 2017-07-11 | Fair Isaac Corporation | Multiple funding account payment instrument analytics |
US10789526B2 (en) * | 2012-03-09 | 2020-09-29 | Nara Logics, Inc. | Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks |
US20130159077A1 (en) | 2011-12-19 | 2013-06-20 | Ebay, Inc. | Local affiliate marketing |
US9530130B2 (en) | 2012-07-30 | 2016-12-27 | Mastercard International Incorporated | Systems and methods for correction of information in card-not-present account-on-file transactions |
WO2014070293A1 (en) | 2012-11-05 | 2014-05-08 | Nara Logics, Inc. | Systems and methods for providing enhanced neural network genesis and recommendations to one or more users |
US9785946B2 (en) | 2013-03-07 | 2017-10-10 | Mastercard International Incorporated | Systems and methods for updating payment card expiration information |
US10438269B2 (en) * | 2013-03-12 | 2019-10-08 | Mastercard International Incorporated | Systems and methods for recommending merchants |
US20140337215A1 (en) | 2013-05-09 | 2014-11-13 | Mastercard International Incorporated | System and method for updating cardholder personal data with avs synchronization |
US11367073B2 (en) * | 2013-07-03 | 2022-06-21 | Capital One Services, Llc | System and method for fraud control |
US9331994B2 (en) | 2014-02-07 | 2016-05-03 | Bank Of America Corporation | User authentication based on historical transaction data |
US10282728B2 (en) * | 2014-03-18 | 2019-05-07 | International Business Machines Corporation | Detecting fraudulent mobile payments |
US20150339673A1 (en) * | 2014-10-28 | 2015-11-26 | Brighterion, Inc. | Method for detecting merchant data breaches with a computer network server |
US10762512B2 (en) | 2014-10-31 | 2020-09-01 | Capital One Services, Llc | System and method for transaction learning |
US11301852B2 (en) | 2014-11-03 | 2022-04-12 | Visa International Service Association | System and method for updating account information |
US20160259826A1 (en) * | 2015-03-02 | 2016-09-08 | International Business Machines Corporation | Parallelized Hybrid Sparse Matrix Representations for Performing Personalized Content Ranking |
US10063578B2 (en) * | 2015-05-28 | 2018-08-28 | Cisco Technology, Inc. | Network-centric visualization of normal and anomalous traffic patterns |
US10943216B2 (en) | 2015-10-27 | 2021-03-09 | Mastercard International Incorporated | Systems and methods for updating stored cardholder account data |
US10586235B2 (en) * | 2016-06-22 | 2020-03-10 | Paypal, Inc. | Database optimization concepts in fast response environments |
CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
US20180053188A1 (en) * | 2016-08-17 | 2018-02-22 | Fair Isaac Corporation | Customer transaction behavioral archetype analytics for cnp merchant transaction fraud detection |
US10339606B2 (en) * | 2016-09-07 | 2019-07-02 | American Express Travel Related Services Company, Inc. | Systems and methods for an automatically-updating fraud detection variable |
US10223359B2 (en) * | 2016-10-10 | 2019-03-05 | The Directv Group, Inc. | Determining recommended media programming from sparse consumption data |
US20180218369A1 (en) * | 2017-02-01 | 2018-08-02 | Google Inc. | Detecting fraudulent data |
US10147103B2 (en) * | 2017-03-24 | 2018-12-04 | International Business Machines Corproation | System and method for a scalable recommender system using massively parallel processors |
US10692058B2 (en) * | 2017-09-06 | 2020-06-23 | Fair Isaac Corporation | Fraud detection by profiling aggregate customer anonymous behavior |
-
2017
- 2017-10-26 US US15/794,768 patent/US10896424B2/en active Active
-
2018
- 2018-09-21 CN CN201880069806.2A patent/CN111279375B/zh active Active
- 2018-09-21 WO PCT/US2018/052143 patent/WO2019083653A1/en active Application Filing
-
2021
- 2021-01-18 US US17/151,523 patent/US11727407B2/en active Active
-
2023
- 2023-08-14 US US18/449,489 patent/US20240201797A9/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
US20150012430A1 (en) * | 2013-07-03 | 2015-01-08 | Mastercard International Incorporated | Systems and methods for risk based decisioning service incorporating payment card transactions and application events |
US20160162759A1 (en) * | 2014-12-05 | 2016-06-09 | Lg Cns Co., Ltd. | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same |
US20160171498A1 (en) * | 2014-12-11 | 2016-06-16 | Mastercard International Incorporated | Systems and methods for fraud detection by transaction ticket size pattern |
WO2017100677A1 (en) * | 2015-12-11 | 2017-06-15 | Mastercard International Incorporated | Systems and methods for generating recommendations using a corpus of data |
Also Published As
Publication number | Publication date |
---|---|
US20230385841A1 (en) | 2023-11-30 |
US20240201797A9 (en) | 2024-06-20 |
US11727407B2 (en) | 2023-08-15 |
US20190130403A1 (en) | 2019-05-02 |
US20210142330A1 (en) | 2021-05-13 |
CN111279375B (zh) | 2024-01-30 |
US10896424B2 (en) | 2021-01-19 |
WO2019083653A1 (en) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727407B2 (en) | Systems and methods for detecting out-of-pattern transactions | |
US10423963B2 (en) | Systems and methods for fraud detection by transaction ticket size pattern | |
US11250431B2 (en) | Systems and methods for enhanced fraud detection based on transactions at potentially compromised locations | |
CN107533705B (zh) | 基于风险决策的系统与方法 | |
CA2830553C (en) | Methods and systems for electronic commerce verification | |
CN111566682B (zh) | 用于跨境atm欺诈检测的系统和方法 | |
WO2013101421A1 (en) | Method and system utilizing merchant sales activity to provide indicative measurements of merchant and business performance | |
AU2014284518A1 (en) | Systems and methods for risk based decisioning service incorporating payment card transactions and application events | |
US10997596B1 (en) | Systems and methods for use in analyzing declined payment account transactions | |
US20160125400A1 (en) | Systems and methods for geo component fraud detection for card-present transactions | |
US20200090173A1 (en) | Systems and methods for communicating liability acceptance with payment card transactions | |
US20200234268A1 (en) | Systems and methods for recommending financial instruments | |
EP3017418A1 (en) | Method and system for evaluating commercial real estate pricing and location by leveraging transaction data | |
CN115485701A (zh) | 用于高级速度简档准备和分析的系统和方法 |
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 |