CN111353850B - 一种风险识别策略的更新、风险商户的识别方法和装置 - Google Patents

一种风险识别策略的更新、风险商户的识别方法和装置 Download PDF

Info

Publication number
CN111353850B
CN111353850B CN202010120275.4A CN202010120275A CN111353850B CN 111353850 B CN111353850 B CN 111353850B CN 202010120275 A CN202010120275 A CN 202010120275A CN 111353850 B CN111353850 B CN 111353850B
Authority
CN
China
Prior art keywords
strategy
merchant
rule
model
risk
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.)
Active
Application number
CN202010120275.4A
Other languages
English (en)
Other versions
CN111353850A (zh
Inventor
徐莎
胡圻圻
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010120275.4A priority Critical patent/CN111353850B/zh
Publication of CN111353850A publication Critical patent/CN111353850A/zh
Application granted granted Critical
Publication of CN111353850B publication Critical patent/CN111353850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种风险识别策略的更新、风险商户的识别方法和装置，该风险识别策略的更新方法包括：在对用于识别业务系统中的商户是否为风险商户的风险识别策略进行更新时，监控风险识别策略的关键指标，所述风险识别策略包括模型策略和规则策略；若所述风险识别策略的关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。

Description

一种风险识别策略的更新、风险商户的识别方法和装置
技术领域
本文件涉及网络安全领域，尤其涉及一种风险识别策略的更新、风险商户的识别方法和装置。
背景技术
随着互联网技术的飞速发展，越来越多的商户可以通过互联网平台与用户进行互联网交易。通常，为了保证交易安全，互联网平台可以在商户进行互联网交易之前，对商户的风险进行识别，并在确定商户不存在风险的情况下，允许商户与用户进行互联网交易。
通常，互联网平台在对商户的风险进行识别时，可以基于风险识别策略进行识别，且为了有效地识别商户是否存在风险，还可以对风险识别策略进行更新和维护。然而，目前还缺少一种高效、可靠地方法可以实现对风险识别策略的有效更新和维护的目的。
发明内容
本说明书实施例提供一种风险识别策略的更新、风险商户的识别方法和装置，用于解决目前在对商户进行风险识别的场景中，无法对风险识别策略进行有效更新和维护的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，提出一种风险识别策略的更新方法，包括：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
第二方面，提出一种风险商户的识别方法，包括：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
第三方面，提出一种风险识别策略的更新装置，包括：
监控单元，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
第四方面，提出一种风险商户的识别装置，包括：
监控单元，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
识别单元，基于更新后的所述风险识别策略，对待识别商户进行风险识别。
第五方面，提出一种电子设备，该电子设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
第六方面，提出一种电子设备，该电子设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
第七方面，提出一种计算机可读存储介质，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包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
第八方面，提出一种计算机可读存储介质，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包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下技术效果：
本说明书的一个或多个实施例提供的技术方案，在基于风险识别策略识别业务系统中的商户是否为风险商户的场景中，通过监控风险识别策略的关键指标，并在关键指标异常的情况下，更新风险识别策略，可以实现对风险识别策略的自动更新；此外，由于风险识别策略中包括模型策略和规则策略，在对风险识别策略进行更新时，可以对这两种策略中的至少一种进行更新，因此，在基于更新后的风险识别策略对商户进行风险识别，基于更新后的模型策略和/或规则策略，可以提高识别结果的准确率。
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实施例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是本说明书的一个实施例风险识别策略的更新方法的流程示意图；
图2是本说明书的一个实施例风险商户的识别方法的流程示意图；
图3是本说明书的一个实施例电子设备的结构示意图；
图4是本说明书的一个实施例风险识别策略的更新装置的结构示意图；
图5是本说明书的一个实施例电子设备的结构示意图；
图6是本说明书的一个实施例风险商户的识别装置的结构示意图。
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实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本文件的保护范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1是本说明书的一个实施例风险识别策略的更新方法的流程示意图。所述方法如下所述。
S102：监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略。
在S102中，在基于风险识别策略对业务系统中的商户进行风险识别的场景中，可以监控风险识别策略的关键指标。
上述业务系统可以是理解为互联网平台系统，商户和用户可以通过该系统进行互联网交易；风险识别策略可以用于对业务系统中的商户进行风险识别，具体可以是在商户与业务系统建立合作关系时(比如商户与业务系统签约时)，对商户的准入风险进行识别，也可以是在商户与业务系统建立合作关系后，在商户基于业务系统与用户进行互联网交易的过程中，对商户交易过程中的风险进行识别，这里不做具体限定。
风险识别策略中具体可以包括模型策略和规则策略，模型策略中可以包括多个模型，多个模型可以识别商户的风险，规则策略中也可以包括多个规则，多个规则也可以识别商户的风险。
风险识别策略的关键指标可以表征风险识别策略的风险识别效果。本说明书实施例中，该关键指标可以包括风险识别策略的覆盖率和准确率中的至少一种，风险识别策略的覆盖率可以理解为识别得到的风险商户的个数与实际风险商户的总个数的比值，风险识别策略的准确率可以理解为在对多个商户进行识别时，识别结果正确的商户个数与该多个商户的总个数的比值。
可选地，风险识别策略的关键指标也可以包括其他指标，具体可以根据实际的业务场景确定，这里不做具体限定。
S104：若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标。
在S104中，在对风险识别策略的关键指标进行监控的过程中，可以判断该关键指标是否异常。其中，判断关键指标异常的标准可以是：关键指标的环比下降超过某个数值(比如5％，具体可以根据实际情况确定)或者关键指标的绝对值低于另一个数值(比如50％，具体可以根据实际情况确定)。当然，也可以根据实际情况，将判断关键指标异常的标准设置为其他标准，这里不做具体限定。
在对风险识别策略的关键指标进行判断后，若该关键指标异常，则可以说明风险识别策略的识别效果不佳，此时需要对风险识别策略进行更新；反之，若该关键指标正常，则可以说明风险识别策略的识别效果较好，此时不需要对风险识别策略进行更新。
这样，通过监控风险识别策略的关键指标，并在关键指标异常的情况下，更新风险识别策略，可以实现对风险识别策略的自动更新。
本说明书实施例中，在风险识别策略的关键指标异常，并需要对风险识别策略进行更新的情况下，可以获取风险识别策略中模型策略的关键和规则策略的关键指标。其中，模型策略的关键指标和规则策略的关键指标均可以根据实际的识别结果确定得到，优选地，模型策略的关键指标可以是模型策略中多个模型共同的覆盖率和稽核率，规则策略的关键指标可以是规则策略中的多个规则各自的覆盖率和稽核率。稽核率可以理解为被误识别后申诉成功的商户个数占风险商户的总个数的比例。
S106：根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
在S106中，在获取到模型策略的关键指标和规则策略的关键指标后，可以根据模型策略和规则策略各自的关键指标，选择更新模型策略和规则策略中的至少一种。
在一种实现方式中，若风险识别策略的关键指标包括覆盖率和准确率，即在监控风险识别策略的关键指标时，需要监控的关键指标个数较多，则为了保证更新后的风险识别策略的覆盖率和准确率均可以达标，可以选择对模型策略以及规则策略进行更新。
具体地，若模型策略的关键指标异常，则更新模型策略；若规则策略的关键指标异常，则更新规则策略。也就是说，模型策略和规则策略中，哪个策略的关键指标异常，就对哪个策略进行更新。
这样，就会存在以下至少三种更新结果：
(1)模型策略的关键指标正常，规则策略的关键指标异常，不更新模型策略，更新规则策略；
(2)模型策略的关键指标异常，规则策略的关键指标正常，更新模型策略，不更新规则策略；
(3)模型策略的关键指标异常，规则策略的关键指标异常，更新模型策略和规则策略。
在另一种实现方式中，若风险识别策略的关键指标包括覆盖率，即在监控风险识别策略的关键指标时，重点监控覆盖率这一个指标，则在保证更新后的风险识别策略的覆盖率可以达标的情况下，可以优先对模型策略或规则策略进行更新，在更新其中一种策略后，若风险识别策略的覆盖率可以达标，则无需对另一种策略进行更新，以提高更新效率。
在本说明书实施例中，考虑到实际应用中，模型策略在风险识别策略中的占比较大，规则策略在风险识别策略中的占较小，因此，这里可以以优选选择更新模型策略为例进行说明。
具体地，若模型策略的关键指标异常，则更新模型策略。在对模型策略进行更新后，可以确定风险识别策略的更新后的关键指标，即风险识别策略的更新后的覆盖率，若更新后的覆盖率正常(即达标)，则可以取消更新规则策略，即不对规则策略进行更新。
比如，对于已知风险，通过更新模型策略就可以提高风险识别策略的覆盖率，就可以不对规则策略进行更新。
可选地，若在对模型策略进行更新后，风险识别策略的更新后的覆盖率仍异常，则需要对规则策略进行更新。比如，对于未知风险，通过更新模型策略很可能无法使得风险识别策略的覆盖率达标(原因在于在对模型策略中的模型进行学习训练时，都是对已知风险进行的学习训练，并没有对未知风险进行学习训练)，此时就需要对规则策略进行更新。
针对上述两种实现方式，在实际应用中可以根据实际情况选择其中一种实现方式中的更新方式对风险识别策略进行更新，本说明书实施例在这里不做具体限定。
以下将针对上述两种实现方式中，如何判断模型策略和规则策略各自的关键指标异常以及如何对模型策略和规则策略进行更新进行说明。
针对模型策略而言，在模型策略的关键指标为覆盖率和稽核率的情况下，判断模型策略的关键指标是否异常时，判断异常的标准可以是：覆盖率不在预设范围(比如60％至80％，具体可以根据实际情况确定)内，稽核率大于某个数值(比如0.01％等，具体可以根据实际情况确定)。若模型策略的覆盖率和稽核率中的至少一个满足上述判断异常的标准，则可以确定模型策略的关键指标异常，此时需要对模型策略进行更新；反之，若模型策略的覆盖率和稽核率都不满足上述判断异常的标准，则可以确定模型策略的关键指标正常，此时不需要对模型策略进行更新。
在需要对模型策略进行更新时，可以对模型策略中的模型的分数阈值进行更新。具体地，模型策略中可以包括多个模型，一个模型可以对应一个分数阈值，该分数阈值可以用于判断商户是否为风险商户，即模型的分数阈值可以视为风险商户的判别标准。例如，在基于某个模型对商户进行风险识别后，假设商户的模型分为A，模型的分数阈值为[B，C]，那么，若A在该分数阈值的范围内，则可以确定商户为风险商户，反之，若A不在该分数阈值的范围内，则可以确定商户不是风险商户。
这样，通过对模型策略中模型的分数阈值进行调整，可以改变风险商户的判别标准，从而可以调整模型的覆盖率和稽核率。具体实现方式如下：
首先，按照预设规则调整多个模型的分数阈值。
预设规则可以是在指定的分数区间内，按照一定的步长调整模型的分数阈值。其中，指定的分数区间和步长均可以根据实际情况确定。
本说明书实施例中，在按照预设规则调整模型的分数阈值时，可以根据模型策略的覆盖率确定调整的方向。具体地，若模型策略的覆盖率偏低，则可以降低模型的分数阈值，以提高覆盖率，反之，若模型策略的覆盖率偏高，则可以增加模型的分数阈值，以降低覆盖率。
其次，基于调整分数阈值后的多个模型对历史商户进行风险识别。
历史商户的个数为多个，可以理解为已进行风险识别并确定是否存在风险的商户，或者，也可以理解为样本商户。
在调整多个模型的分数阈值后，可以使用多个模型对历史商户进行风险识别，并基于调整后的分数阈值判断历史商户是否为风险商户，得到对历史商户的识别结果。
在得到对历史商户的识别结果后，可以结合历史商户的风险标签，确定得到识别结果的准确率。该准确率等于识别结果正确的历史商户的个数与历史商户总个数的比值。
最后，若识别结果的准确率不小于第一设定值，则将调整后的多个分数阈值更新为多个模型的分数阈值。
具体地，在得到识别结果的准确率后，可以判断识别结果的准确率是否不小于第一设定值，其中，第一设定值可以根据实际情况确定，优选地，第一设定值可以大于或等于95％。
若识别结果的准确率不小于第一设定值，则可以说明基于调整分数阈值后的多个模型对商户进行风险识别的准确率高，此时，可以将调整后的多个分数阈值作为多个模型的分数阈值，实现对模型策略的更新。
需要说明的是，上述对多个模型的分数阈值进行调整时，调整的次数可能为多次，即在对多个模型的分数阈值进行调整后，基于调整后的多个模型对历史商户进行识别的准确率可能会小于第一设定值，此时可以继续对多个模型的分数阈值进行调整，直至基于调整后的多个模型对历史商户进行识别的准确率大于或等于第一设定值为止。
在一种可能的实现方式中，若无论如何调整多个模型的分数阈值，基于调整后的多个模型对历史商户进行识别的准确率都小于第一设定值，则可以采用其他方法对多个模型进行更新。
具体地，在本说明书实施例中，考虑到不同的商户自带的风险属性，比如商户的归属地，商户销售的商品的风险等级等，可以将不同的商户按照自带风险属性的高低进行分群，得到多个商户群，在使用模型策略中的多个模型对多个商户群中的商户进行风险识别时，不同商户群对应的模型的分数阈值不同，即不同商户群的风险判别标准不同。
这样，在对模型策略进行更新时，可以通过调整商户群的方式进行更新，具体实现方式如下：
首先，对多个商户群重新分群，得到多个更新后的商户群。
多个商户群中包括的商户优选为上述记载的历史商户，即，多个商户群中的商户的风险标签已知。
在对多个商户群重新分群时，可以按照其他分群标准进行重新分群，从而得到多个更新后的商户群。
比如，在重新分群之前，原来的多个商户群的分群标准是按照商户的常住地分群，在重新分群时，可以以商户的好评率等标准进行分群。当然，这里仅以商户的“常住地”和“好评率”为例进行说明，在实际应用中，可以根据实际情况确定重新分群时的分群标准。
其次，基于多个模型对多个更新后的商户群进行风险识别。
在得到多个更新后的商户群后，可以使用模型策略中的多个模型对多个更新后的商户群进行风险识别，得到识别结果。需要说明的是，由于不同商户群对应的模型的分数阈值不同，因此，在对商户群重新分群后，在基于多个模型对更新后的多个商户群进行风险识别时，针对某个商户群而言，用于对该商户群进行风险识别的模型会发生变化，针对商户群中的商户而言，用于判断商户是否属于风险商户的分数阈值也发生了变化，从而可以得到不同于商户群重新分群之前的识别结果。
在得到识别结果后，可以结合多个更新后的商户群中包括的商户的风险标签，确定得到识别结果的准确率。
最后，若识别结果的准确率不小于第一设定值，则将多个更新后的商户组确定为多个模型对应的商户组。
具体地，在得到识别结果的准确率后，可以将识别结果的准确率与上述第一设定值进行比较，若该识别结果的准确率不小于第一设定值，则可以说明基于多个模型对多个更新后的商户群进行风险识别的准确率高，此时，可以将多更新后的商户群作为多个模型对应的商户群。
由于在对商户群进行重新分群后，用于对不同商户进行风险识别的模型也会发生变化，因此，对商户群进行重新分组可以视为更改了模型策略的分组逻辑，从而可以实现对模型策略的更新。
可选地，在对商户群进行重新分组后，若基于多个模型对多个更新后的商户群进行风险识别的准确率小于上述第一设定值，则可以在重新分群的基础上，按照上述记载的方法对多个模型的分数阈值进行调整，直至识别结果的准确率不小于第一设定值为止。
本说明书实施例中，在对模型策略进行更新时，一方面可以通过调整模型策略中包括的多个模型的分数阈值的方式进行更新，另一方面还可以通过调整模型策略分组逻辑的方式对模型策略进行更新，从而可以提供一种有效地对模型策略进行更新的方法。
以上详细说明了如何对模型策略进行更新，下面将针对规则策略进行详细说明。
针对规则策略而言，在规则策略的关键指标为多个规则各自的覆盖率和稽核率的情况下，判断规则策略的关键指标是否异常时，可以分别对每个规则进行判断。以其中一个规则为例：
在判断规则是否异常时，判断异常的标准可以是：该规则的覆盖率不在预设范围(比如60％至80％，具体可以根据实际情况确定)内，稽核率大于某个数值(比如0.01％等，具体可以根据实际情况确定)。若规则的覆盖率和稽核率中的至少一个满足上述判断异常的标准，则可以确定该规则的关键指标异常，此时需要对该规则进行更新；反之，若规则的覆盖率和稽核率都不满足上述判断异常的标准，则可以确定该规则的关键指标正常，此时不需要对规则进行更新。
在需要对规则策略中的规则进行更新时，仍以其中一个规则为例，可以对规则中包括的多个特征变量的取值进行调整。具体地，规则策略中的任一个规则可以由多个特征变量组合得到，这些特征变量均与商户的风险有关，比如，商户被投诉的次数，商户的好评率等，且这些特征变量都具有对应的取值，其中，特征变量的取值可以用于判断商户是否为风险商户，即特征变量的取值可以视为风险商户的判别标准。
这样，通过对规则中多个特征变量的取值进行调整，可以改变风险商户的判别标准，从而可以调整规则的覆盖率和稽核率。以下将以一个规则为例，具体说明如何更新规则。
首先，调整规则中包括的多个特征变量的取值，得到多个目标取值。
本说明书实施例中，可以预先为规则中的多个特征变量存储对应的取值集合，每个特征变量对应的取值结合可以根据人工经验或历史数据分析确定得到。
这样，在调整规则中的多个特征变量的取值时，可以将多个特征变量的取值调整为对应的取值集合中的某个值，得到多个目标取值。
其次，基于多个目标取值，采用规则对历史商户进行风险识别。
历史商户的个数为多个，具体理解可以参见模型策略更新部分对历史商户的说明，这里不再重复描述。
在基于多个调整后的目标取值，采用规则对历史商户进行风险识别后，可以得到对历史商户的识别结果。在得到识别结果后，可以结合历史商户的风险标签，确定得到识别结果的准确率。
最后，若识别结果的准确率不小于第二设定值，则将多个目标取值更新为多个特征变量的取值。
具体地，在得到识别结果的准确率后，可以判断识别结果的准确率是否不小于第二设定值，其中，第二设定值可以根据实际情况确定，优选地，第二设定值可以大于或等于95％。
若识别结果的准确率不小于第二设定值，则可以说明基于调整特征变量取值后的规则对商户进行风险识别的准确率高，此时，可以将调整后的多个目标取值作为规则中包括的多个特征变量的取值，实现对规则的更新。
需要说明的是，上述对规则中多个特征变量的取值进行调整时，调整的次数可能为多次，即在对多个特征变量的取值进行调整后，基于调整特征变量取值的规则对历史商户进行识别的准确率可能会小于第二设定值，此时可以通过遍历上述取值集合中的取值的方式，继续对多个特征变量的取值进行调整，直至基于调整特征变量取值的规则对历史商户进行识别的准确率大于或等于第二设定值为止。
在一种可能的实现方式中，若无论如何调整规则中多个特征变量的取值，基于调整特征变量取值后的规则对历史商户进行识别的准确率都小于第二设定值，则可以通过更新规则中包括的特征变量的方法，对规则进行更新。具体实现方式如下：
首先，从与商户的风险相关的多个预设特征变量中选取多个目标特征变量。
多个预设特征变量与商户的风险相关，比如商户被投诉的次数，商户的好评率等，这里不再一一举例说明。多个预设特征变量的个数可以远大于规则中包括的特征变量的个数，比如规则中通常可以包括3到5个特征变量，预设特征变量的个数可以是100，甚至200个。这样，在从预设特征变量中选择目标特征变量时，可以更加灵活。
本说明书实施例中，在选择目标特征变量时，可以选择核心变量，即对商户的风险影响较大的特征变量，也可以理解为能够有效反映商户风险的特征变量，具体可以包括以下步骤：基于历史商户的交易数据，采用预设算法计算多个预设特征变量的价值分；根据多个预设特征变量的价值分，选择多个目标特征变量。
预设特征变量的价值分可以表征预设特征变量对商户风险的影响程度，本说明书实施例中，预设特征变量的价值分越高，可以说明其对商户的风险影响程度越大。
在采用预设算法计算多个预设特征变量的价值分时，以一个预设特征变量为例，可以通过以下公式实现：
Figure BDA0002392746530000151
其中，S为预设特征变量的价值分，K为预设特征变量的权重，可以预先有人工设定或根据历史经验确定得到，
Figure BDA0002392746530000152
为指定特征取值分组风险商户占整体风险商户的比例，
Figure BDA0002392746530000153
为指定特征取值分组正常商户占整体正常商户的比例，
Figure BDA0002392746530000154
和
Figure BDA0002392746530000155
均可以通过历史商户的交易数据确定得到。
在通过以上公式计算得到多个预设特征变量的价值分后，可以从多个预设特征变量中选择价值分最高的多个预设特征变量作为目标特征变量。其中，目标特征变量的个数可以是3到5个，具体可以根据实际情况确定，这里不做具体限定。
其次，在选取得到多个目标特征变量后，对多个目标特征变量进行组合，得到多个候选规则。
具体地，假设多个目标特征变量的数量为M，那么在对M个目标特征变量进行组合时，可以从M个目标特征变量中任意选择N(小于或等于M且大于1的整数)个特征变量组合得到多个规则，为了便于区分，这里可以由候选规则表示。
比如，目标特征变量的个数为5，分别为特征变量1，特征变量2，特征变量3，特征变量4，特征变量5，在对这5个特征变量进行组合时，可以将特征变量1，特征变量2和特征变量3组合得到一条候选规则，也可以将特征变量2，特征变量3和特征变量4组合得到一条候选规则，还可以将特征变量1，特征变量2，特征变量4和特征变量5组合得到一条候选规则，当然，还可以有其他组合方式，这里不再一一举例说明。
再次，在得到多个候选规则后，调整多个候选规则中包括的目标特征变量的取值，并基于多个候选规则对历史商户进行风险识别。
本说明书实施例中，针对多个目标特征变量而言，也可以预先存储与多个目标特征变量对应的取值集合，这样，在调整目标特征变量的取值时，可以遍历对应的取值集合中的取值进行调整。
在对目标特征变量的取值进行调整后，可以基于多个候选规则对历史商户进行风险识别，得到多个候选规则的识别结果。结合历史商户的风险标签，可以得到多个候选规则的识别准确率。
最后，在得到多个候选规则的识别准确率后，可以将识别准确率不小于上述第二设定值的候选规则作为更新后的规则。
需要说明的是，若候选规则中识别准确率不小于第二设定值的规则的个数为多个，则可以选择其中识别准确率最高的候选规则作为更新后的规则。
以上详细说明了如何对规则策略中的一个规则进行更新的方法，基于相同的方法，可以对规则策略中其他需要更新的规则进行更新，从而实现对规则策略的更新。
本说明书实施例中，在对规则策略中的规则进行更新时，一方面可以通过调整规则中特征变量的取值的方式进行更新，另一方面还可以通过更新规则中包括的特征变量的方式进行更新，从而可以提供一种有效地对规则策略进行更新的方法。
可选地，在基于本说明书实施例提供的技术方案对模型策略和规则策略进行更新后，可以基于更新后的模型策略和规则策略，对待识别商户进行风险识别。由于更新后的模型策略和规则策略的识别准确率较高，因此，对待识别商户的识别结果的准确率较高。
图2是本说明书的一个实施例商户识别方法的流程示意图。所述方法如下所述。
S202：监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
S204：若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标:。
S206：根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
S208：基于更新后的所述风险识别策略，对待识别商户进行风险识别。
上述S202至S208的具体实现可以参见图1所示实施例中相应步骤的具体实现，这里不再详细说明。
本说明书的一个或多个实施例提供的技术方案，在基于风险识别策略识别业务系统中的商户是否为风险商户的场景中，通过监控风险识别策略的关键指标，并在关键指标异常的情况下，更新风险识别策略，可以实现对风险识别策略的自动更新；此外，由于风险识别策略中包括模型策略和规则策略，在对风险识别策略进行更新时，可以对这两种策略中的至少一种进行更新，因此，在基于更新后的风险识别策略对商户进行风险识别，基于更新后的模型策略和/或规则策略，可以提高识别结果的准确率。
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。
图3是本说明书的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成风险识别策略的更新装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
上述如本说明书图3所示实施例揭示的风险识别策略的更新装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现风险识别策略的更新装置在图1所示实施例中的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
图4是本说明书的一个实施例风险识别策略的更新装置40的结构示意图。请参考图4，在一种软件实施方式中，所述风险识别策略的更新装置40可包括：监控单元41、获取单元42和更新单元43，其中：
监控单元41，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元42，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元43，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种。
可选地，所述风险识别策略的关键指标包括覆盖率和准确率；
其中，所述更新单元43，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种，包括：
若所述模型策略的关键指标异常，则更新所述模型策略；
若所述规则策略的关键指标异常，则更新所述规则策略。
可选地，所述风险识别策略的关键指标包括覆盖率；
其中，所述更新单元43，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种，包括：
若所述模型策略的关键指标异常，则更新所述模型策略；
确定所述风险识别策略的更新后的关键指标；
若所述更新后的关键指标正常，则取消更新所述规则策略；
若所述更新后的关键指标异常，则更新所述规则策略。
可选地，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
其中，所述更新单元43，更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别；
若识别结果的准确率不小于第一设定值，则将调整后的多个分数阈值更新为所述多个模型的分数阈值。
可选地，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
其中，若所述识别结果的准确率小于所述第一设定值，则所述更新单元43：
对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户组确定为所述多个模型对应的商户组。
可选地，所述规则策略中包括多个规则，一个规则由多个特征变量组合得到；
其中，所述更新单元43，更新所述规则策略，包括：
针对其中一个规则，执行以下操作：
调整所述规则中包括的多个特征变量的取值，得到多个目标取值；
基于所述多个目标取值，采用所述规则对历史商户进行风险识别；
若识别结果的准确率不小于第二设定值，则将所述多个目标取值更新为所述多个特征变量的取值。
可选地，若所述识别结果的准确率小于所述第二设定值，则所述更新单元43：
从与商户的风险相关的多个预设特征变量中选取多个目标特征变量；
对所述多个目标特征变量进行组合，得到多个候选规则；
调整所述多个候选规则中包括的目标特征变量的取值，并基于所述多个候选规则对所述历史商户进行风险识别；
将所述多个候选规则中的目标规则作为更新后的规则，所述目标规则的识别准确率不小于所述第二设定值。
可选地，所述更新单元43，从与商户的风险相关的多个预设特征变量中选取多个目标特征变量，包括：
基于历史商户的交易数据，采用预设算法计算所述多个预设特征变量的价值分；
根据所述多个预设特征变量的价值分，选择得到所述多个目标特征变量，所述多个目标特征变量的价值分高于其他预设特征变量的价值分。
可选地，所述风险识别策略的更新装置40还包括识别单元44，所述识别单元44基于更新后的所述模型策略和所述规则策略，对待识别商户进行风险识别。
本说明书实施例提供的风险识别策略的更新装置40还可执行图1的方法，并实现风险识别策略的更新装置在图1所示实施例的功能，本说明书实施例在此不再赘述。
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成风险商户的识别装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
上述如本说明书图5所示实施例揭示的风险商户的识别装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的方法，并实现风险商户的识别装置在图2所示实施例中的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
图6是本说明书的一个实施例风险商户的识别装置60的结构示意图。请参考图6，在一种软件实施方式中，所述风险商户的识别装置60可包括：监控单元61、获取单元62、更新单元63和识别单元64，其中：
监控单元61，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元62，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元63，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
识别单元64，基于更新后的所述风险识别策略，对待识别商户进行风险识别。
本说明书实施例提供的风险商户的识别装置60还可执行图2的方法，并实现风险商户的识别装置在图2所示实施例的功能，本说明书实施例在此不再赘述。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本文件的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本文件的保护范围之内。
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。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。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。

Claims (15)

1.一种风险识别策略的更新方法，包括：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
2.如权利要求1所述的方法，所述风险识别策略的关键指标包括覆盖率和准确率；
其中，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种，包括：
若所述模型策略的关键指标异常，则更新所述模型策略；
若所述规则策略的关键指标异常，则更新所述规则策略。
3.如权利要求1所述的方法，所述风险识别策略的关键指标包括覆盖率；
其中，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种，包括：
若所述模型策略的关键指标异常，则更新所述模型策略；
确定所述风险识别策略的更新后的关键指标；
若所述更新后的关键指标正常，则取消更新所述规则策略；
若所述更新后的关键指标异常，则更新所述规则策略。
4.如权利要求1至3中任一项所述的方法，更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别；
若识别结果的准确率不小于第一设定值，则将调整后的多个分数阈值更新为所述多个模型的分数阈值。
5.如权利要求1至3中任一项所述的方法，所述规则策略中包括多个规则，一个规则由多个特征变量组合得到；
其中，更新所述规则策略，包括：
针对其中一个规则，执行以下操作：
调整所述规则中包括的多个特征变量的取值，得到多个目标取值；
基于所述多个目标取值，采用所述规则对历史商户进行风险识别；
若识别结果的准确率不小于第二设定值，则将所述多个目标取值更新为所述多个特征变量的取值。
6.如权利要求5所述的方法，若所述识别结果的准确率小于所述第二设定值，则所述方法还包括：
从与商户的风险相关的多个预设特征变量中选取多个目标特征变量；
对所述多个目标特征变量进行组合，得到多个候选规则；
调整所述多个候选规则中包括的目标特征变量的取值，并基于所述多个候选规则对所述历史商户进行风险识别；
将所述多个候选规则中的目标规则作为更新后的规则，所述目标规则的识别准确率不小于所述第二设定值。
7.如权利要求6所述的方法，从与商户的风险相关的多个预设特征变量中选取多个目标特征变量，包括：
基于历史商户的交易数据，采用预设算法计算所述多个预设特征变量的价值分；
根据所述多个预设特征变量的价值分，选择得到所述多个目标特征变量，所述多个目标特征变量的价值分高于其他预设特征变量的价值分。
8.如权利要求1所述的方法，所述方法还包括：
基于更新后的所述风险识别策略，对待识别商户进行风险识别。
9.一种风险商户的识别方法，包括：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
10.一种风险识别策略的更新装置，包括：
监控单元，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
所述更新单元，更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
11.一种风险商户的识别装置，包括：
监控单元，监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
获取单元，若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
更新单元，根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
识别单元，基于更新后的所述风险识别策略，对待识别商户进行风险识别；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
所述更新单元，更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
12.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
13.一种计算机可读存储介质，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包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
14.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
15.一种计算机可读存储介质，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包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：
监控风险识别策略的关键指标，所述风险识别策略用于识别业务系统中的商户是否为风险商户，所述风险识别策略包括模型策略和规则策略；
若所述关键指标异常，则获取所述模型策略的关键指标和所述规则策略的关键指标；
根据所述模型策略的关键指标和所述规则策略的关键指标，更新所述模型策略和所述规则策略中的至少一种；
基于更新后的所述风险识别策略，对待识别商户进行风险识别；
其中，所述模型策略中包括多个模型，一个模型对应一个分数阈值，所述分数阈值用于判断商户是否属于风险商户；
更新所述模型策略，包括：
按照预设规则调整所述多个模型的分数阈值；
基于调整分数阈值后的所述多个模型对历史商户进行风险识别，所述历史商户包括多个商户群，不同商户群对应的模型的分数阈值不同；
若识别结果的准确率小于第一设定值，则对所述多个商户群重新分群，得到多个更新后的商户群；
基于所述多个模型对所述多个更新后的商户群进行风险识别；
若识别结果的准确率不小于所述第一设定值，则将所述多个更新后的商户群确定为所述多个模型对应的商户群。
CN202010120275.4A 2020-02-26 2020-02-26 一种风险识别策略的更新、风险商户的识别方法和装置 Active CN111353850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120275.4A CN111353850B (zh) 2020-02-26 2020-02-26 一种风险识别策略的更新、风险商户的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120275.4A CN111353850B (zh) 2020-02-26 2020-02-26 一种风险识别策略的更新、风险商户的识别方法和装置

Publications (2)

Publication Number Publication Date
CN111353850A CN111353850A (zh) 2020-06-30
CN111353850B true CN111353850B (zh) 2023-04-07

Family

ID=71194002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120275.4A Active CN111353850B (zh) 2020-02-26 2020-02-26 一种风险识别策略的更新、风险商户的识别方法和装置

Country Status (1)

Country Link
CN (1) CN111353850B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541738B (zh) * 2020-12-15 2022-08-19 平安科技（深圳）有限公司 基于智能对话技术的审批方法、装置、设备及介质
CN112861955A (zh) * 2021-02-01 2021-05-28 深圳无域科技技术有限公司 风险模型策略生成系统及方法
CN113672940A (zh) * 2021-08-23 2021-11-19 京东科技信息技术有限公司 业务数据监控方法、系统、设备和介质
CN114493885A (zh) * 2022-03-30 2022-05-13 支付宝(杭州)信息技术有限公司 策略组合的优化方法及装置
CN115545353B (zh) * 2022-11-29 2023-04-18 支付宝(杭州)信息技术有限公司 一种业务风控的方法、装置、存储介质及电子设备
CN115809762A (zh) * 2023-02-09 2023-03-17 北京至臻云智能科技有限公司 一种基于规则引擎的工程内控合规管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3309735A1 (en) * 2016-10-11 2018-04-18 ALG Inc. System, method and computer program for improved forecasting residual values of a durable good over time
CN110533268A (zh) * 2018-05-23 2019-12-03 深圳福莱信息科技有限公司 一种风险控制方法、风控系统及终端设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989441A (zh) * 2015-02-11 2016-10-05 阿里巴巴集团控股有限公司 模型参数调整方法和装置
US20170278053A1 (en) * 2016-03-22 2017-09-28 Wal-Mart Stores, Inc. Event-based sales prediction
CN109426912B (zh) * 2017-08-31 2022-07-26 创新先进技术有限公司 风控系统优化方法、系统、装置以及电子设备
CN109544197B (zh) * 2017-09-22 2023-09-22 中兴通讯股份有限公司 一种用户流失预测方法和装置
CN109255486B (zh) * 2018-09-14 2021-07-20 创新先进技术有限公司 一种策略配置的优化方法及装置
CN109583651A (zh) * 2018-12-03 2019-04-05 焦点科技股份有限公司 一种保险电商平台用户流失预测的方法和装置
CN110264336B (zh) * 2019-05-28 2020-09-22 浙江邦盛科技有限公司 一种基于大数据的智能案防系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3309735A1 (en) * 2016-10-11 2018-04-18 ALG Inc. System, method and computer program for improved forecasting residual values of a durable good over time
CN110533268A (zh) * 2018-05-23 2019-12-03 深圳福莱信息科技有限公司 一种风险控制方法、风控系统及终端设备

Also Published As

Publication number Publication date
CN111353850A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111353850B (zh) 一种风险识别策略的更新、风险商户的识别方法和装置
CN108446817B (zh) 确定业务对应的决策策略的方法、装置和电子设备
CN108763952B (zh) 一种数据分类方法、装置及电子设备
CN109255486B (zh) 一种策略配置的优化方法及装置
CN109034583B (zh) 异常交易识别方法、装置及电子设备
CN107563757B (zh) 数据风险识别的方法及装置
CN107818301B (zh) 更新生物特征模板的方法、装置和电子设备
CN108596410B (zh) 一种风控事件自动处理方法及装置
CN111539811B (zh) 风险账户的识别方法及装置
CN111310784B (zh) 资源数据的处理方法及装置
CN109299276B (zh) 一种将文本转化为词嵌入、文本分类方法和装置
CN113807940B (zh) 信息处理和欺诈行为识别方法、装置、设备及存储介质
CN109218211B (zh) 数据流的控制策略中阈值的调整方法、装置和设备
CN112737798B (zh) 主机资源分配方法、装置及调度服务器、存储介质
CN111582872A (zh) 异常账号检测模型训练、异常账号检测方法、装置及设备
CN109359346B (zh) 一种热负荷预测方法、装置、可读介质及电子设备
CN110008986B (zh) 批量风险案件识别方法、装置及电子设备
CN109271453B (zh) 一种数据库容量的确定方法和装置
CN111275071B (zh) 预测模型训练、预测方法、装置及电子设备
CN113869700A (zh) 一种绩效指标预测方法、装置、电子设备和存储介质
CN113516453A (zh) 建设项目投资资金管控预警方法、装置、设备及介质
CN110334936B (zh) 一种信贷资质评分模型的构建方法、装置和设备
CN110163470B (zh) 事件评估方法及装置
CN111461730B (zh) 一种风控方法、装置、系统和电子设备
CN109063967B (zh) 一种风控场景特征张量的处理方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant