CN111401897B - 信息处理方法、装置、电子设备及计算机可读介质 - Google Patents
信息处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111401897B CN111401897B CN202010175468.XA CN202010175468A CN111401897B CN 111401897 B CN111401897 B CN 111401897B CN 202010175468 A CN202010175468 A CN 202010175468A CN 111401897 B CN111401897 B CN 111401897B
- Authority
- CN
- China
- Prior art keywords
- payment
- information
- illegal
- application program
- user
- 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
Links
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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请公开了一种信息处理方法、装置、电子设备及计算机可读介质,涉及计算机技术领域。该方法包括获取与支付操作相关的待处理信息;基于预先训练的机器学习模型,获取所述待处理信息对应的分值;若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。因此,本申请能够根据与支付操作相关的待处理信息确定的分值,自动判断该支付操作的合法性,相比人工的方式,效率更快且更准确。
Description
技术领域
本申请涉及计算机技术领域,更具体地,涉及一种信息处理方法、装置、电子设备及计算机可读介质。
背景技术
随着移动终端的发展,越来越多的用户选择使用移动终端支付,以便购买所需要的物品。而用户在使用移动终端内的应用程序的时候,为了提高自己使用该应用程序的体验度,可能会选择在该应用程序内购买应用程序内的道具。目前的支付方式,存在一些非法支付行为,为了保护用户和支付平台的利益,需要对非法支付行为审核。
目前,主要通过人工反馈的方式来发现非正常支付相关的行为,这种方式不仅效率低下,准确性还很低。
发明内容
本申请提出了一种信息处理方法、装置、电子设备及计算机可读介质,以改善上述缺陷。
第一方面,本申请实施例提供了一种信息处理方法,该方法包括获取与支付操作相关的待处理信息;基于预先训练的机器学习模型,获取所述待处理信息对应的分值;若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
第二方面,本申请实施例还提供了一种信息处理装置,包括:获取单元、确定单元和处理单元。获取单元,用于获取与支付操作相关的待处理信息。确定单元,用于基于预先训练的机器学习模型,获取所述待处理信息对应的分值。处理单元,用于若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
第三方面,本申请实施例还提供了一种电子设备,包括:一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行上述方法。
第四方面,本申请实施例还提供了一种计算机可读介质,所述可读存储介质存储有处理器可执行的程序代码,所述程序代码被所述处理器执行时使所述处理器执行上述方法。
本申请提供的信息处理方法、装置、电子设备及计算机可读介质,对于非法支付行为的确定方式可以是,获取与支付操作相关的待处理信息,根据预先训练的机器学习模型,获取所述待处理信息对应的分值,该分值能够反映该待处理信息对应的支付操作属于非法支付行为的可能性,即分值越高,该可能性越高,则如果该分值大于指定阈值,则确定该待处理信息的支付操作为非法支付行为。因此,本申请能够根据与支付操作相关的待处理信息确定的分值,自动判断该支付操作的合法性,相比人工的方式,效率更快。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提供的支付系统的示意图;
图2示出了本申请另一实施例提供的支付系统的示意图;
图3示出了本申请一实施例提供的信息处理方法的方法流程图;
图4示出了本申请另一实施例提供的信息处理方法的方法流程图;
图5示出了本申请实施例提供的游戏应用的下载界面;
图6示出了本申请实施例提供的游戏应用的详情界面;
图7示出了本申请又一实施例提供的信息处理方法的方法流程图;
图8示出了本申请一实施例提供的信息处理装置的模块框图;
图9示出了本申请另一实施例提供的信息处理装置的模块框图;
图10示出了本申请又一实施例提供的信息处理装置的模块框图;
图11示出了本申请实施例提供的电子设备的示意图;
图12是本申请实施例的用于保存或者携带实现根据本申请实施例的信息处理方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
随着移动终端的发展,越来越多的用户选择使用移动终端支付,以便购买所需要的物品。而用户在使用移动终端内的应用程序的时候,为了提高自己使用该应用程序的体验度,可能会选择在该应用程序内购买应用程序内的道具。
具体地,以游戏应用程序为例,随着手游行业蓬勃发展,竞争日益激烈,产品需要快速投放渠道,抢占用户,抢占时长。若有需要新上线的游戏,游戏开发商需要借助第三方支付渠道(例如:运营商、社交APP、银行卡)进行推广费用支付,其支付系统可以如图1所示。如图1中所示,用户设备100、第一服务器200和第二服务器300位于无线网络或有线网络中,用户设备100、第一服务器200和第二服务器300进行数据交互。
于本申请实施例中,用户设备100可以为移动终端设备,例如可以包括智能手机、平板电脑、电子书阅读器、膝上型便携计算机、车载电脑、穿戴式移动终端等等。
在一些实施例中,应用程序安装在用户设备100内,例如,可以是安装在用户设备100的游戏类应用程序。用户在该应用程序内购买游戏道具或者其他服务的时候,会发起一个支付请求,该支付请求包括订单信息,该订单信息包括消费金额和所购买的物品的信息以及消费账号。用户设备100将该支付请求发送至第一服务器200。具体地,该第一服务器200可以是该应用程序的服务器,用户存储于该应用程序相关的数据。
第一服务器200获取该支付请求之后,解析该支付请求获得订单信息,将该订单信息发送至第二服务器300,其中,该第二服务器300可以是至支付平台服务器。例如,针对联运游戏应用程序,该第一服务器200为该游戏应用程序的开放商的服务器,该第二服务器300为该游戏应用程序的推广渠道或者支付渠道对应的支付服务器,用户在游戏应用程序内的购买行为通过第二服务器300即支付渠道对应的服务器的完成消费。即第一服务器200将该订单信息发送至第二服务器300,第二服务器300根据该订单信息扣除相应的费用,并完成本次订单的支付。然后,第二服务器300将支付完成信息发送至第一服务器200,第一服务器200将用户所购买的道具等物品发送至用户设备100。
作为另一种实施方式,该应用程序可以直接将该支付请求发送至该支付服务器。具体地,如图2所示,相比图1,用户设备100可以通过SDK插件直接与第二服务器200连接,即直接通过SDK将支付请求发送至支付服务器,并完成支付。
然后,发明人在研究中发现,目前的支付方式,存在一些非法支付行为,具体地,该非法支付行为包括恶意扣费和切支付。
具体地,切支付是指不使用支付服务器支付,而使用第三方支付,例如,直接使用用户的银行卡支付。例如,该应用程序是在IOS平台上发布的,正常的支付方式为用户通过IOS平台购买游戏应用程序内的道具,但是,即游戏开发商会通过游戏发行商的支付SDK来进行新上线的游戏应用费用支付,从而游戏发行商可从游戏开发商的推广费用提取一定的分成。
然而,有的游戏开发商为了减少支付给支付平台的费用支出,在进行支付时直接调用第三方支付渠道,从而采用绕开支付平台的方式进行支付,该支付方式就可以称为切支付。
另外,恶意扣费是指,在用户玩手机游戏过程中,或者在购买游戏产品或道具时,利用支付时没有计费提醒或计费提醒模糊,用户以为无付款或付款金额较小,没有支付安全防范意识的情况下进行了支付,此操作也被称为暗扣费。恶意扣费使用户在不知情的情况下自动扣除用户费用,从而使用户的利益在无形中受到损害。
因此,为了保护用户和支付平台的利益,需要对切支付和/或恶意扣费这些非法支付行为审核,需要检测出那些使用非法支付的应用程序。然而,现在的检测手段效率过低,具体地,主要通过人工反馈或者是关键词匹配评论和意见反馈内容的方式来发现切支付相关的行为,这种方式不仅效率低下,准确性还很低。这是因为,关键词常常不能描述完整意思,需要结合上下文信息,比如监控到游戏的评论内容是“我昨天给了那个游戏玩家一个差评”。如果按关键字“差评”来匹配劣质游戏的话,那就明显是错误了,因为差评的是玩家,而不是游戏本身。
因此,为了克服上述缺陷,本申请实施例提供了一种信息处理方法,用于提高对非法执行行为检测的准确性和效率,该方法可以应用于上述的服务器,具体地,可以是上述的第一服务器。如图3所示,该方法包括:S301至S303。
S301:获取与支付操作相关的待处理信息。
其中,该待处理信息可以是与支付操作相关的信息。作为一种实施方式,该待处理信息可以是支付操作的描述信息,该描述信息包括支付结果、支付方式,其中,该支付结果用于表征支付操作的结果,例如,该支付结果可以是充值失败、充值成功、付款未到账、充值成功后未发货等,该支付方式用于表示该支付操作的支付途径,例如,银行卡支付或公众号支付、官网充值等。
作为一种实施方式,获取该待处理信息的方式可以是,用户在电子设备内的每一次支付操作都会被支付服务器所记录,具体地,可以生成一个订单编号,该订单编号用于标记用户每次的支付行为,然后记录该订单编号对应的支付操作的描述信息以及消费信息,该消费信息包括消费金额以及所购买的商品等。例如,通过流水日志的方式记录该支付操作的描述信息以及消费信息。
由此,可以从支付服务器内获取到该待处理信息。
作为另一种实施方式,考虑到用户在某个应用程序内的支付操作为非法支付的时候,用户为了追回自己的利益,会向该应用程序的服务商反馈本次非法支付的经历,因此,可以通过该应用程序对应的反馈意见和评论内容中获取到该待处理信息,具体的实施方式可以参考后续实施例。
S302:基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
其中,该机器学习模型可以是预先训练获得的,具体地,该机器学习模型的训练过程可以在后续实施例中介绍,在此不再赘述。
该机器学习模型训练好之后,能够为待处理信息赋予分值,该分值能够表征该待处理信息对应的支付操作为非法支付行为的可能性,具体地,该分值可以是一个概率值,用于表示该待处理信息对应的支付操作为非法支付行为的概率。具体地,将待处理信息作为该机器学习模型的输入,该机器学习模型能够根据该待处理信息的特征信息输出待处理信息对应的分值。其中,待处理信息的特征信息可以是待处理信息内所包含的与支付相关的关键词,例如,非平台充值,通过公账号充值,官网充值,付款未到账,充值失败,充值成功后未发货等。
因此,机器学习模型能够根据该待处理信息确定该待处理信息对应的支付操作为非法支付行为的可能性。
S303:若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
其中,该指定阈值可以是预先设定的数值,可以是根据实际需求而设定的经验值,如果待处理信息对应的分值大于该指定阈值,则表明该待处理信息对应的支付操作具有极大的可能性为非法支付行为。
作为一种实施方式,该非法支付行为可以是上述的切支付也可以是上述的恶意扣费以及其他的非法的支付行为。
因此,本申请提供的信息处理方法中对于非法支付行为的确定方式可以是,获取与支付操作相关的待处理信息,根据预先训练的机器学习模型,获取所述待处理信息对应的分值,该分值能够反映该待处理信息对应的支付操作属于非法支付行为的可能性,即分值越高,该可能性越高,则如果该分值大于指定阈值,则确定该待处理信息的支付操作为非法支付行为。因此,本申请能够根据与支付操作相关的待处理信息确定的分值,自动判断该支付操作的合法性,相比人工的方式,效率更快,并且能够提高确定非法支付行为的准确度。
请参阅图4,本申请实施例提供了一种信息处理方法,用于提高对非法执行行为检测的准确性和效率,该方法可以应用于上述的服务器,具体地,可以是上述的第一服务器。如图4所示,该方法包括:S401至S404。
S401:获取所述目标应用程序对应的用户反馈信息。
其中,所述支付操作对应目标应用程序,也就是说,该待处理信息与用户在目标应用程序内的支付操作行为对应。作为一种实施方式,该用户反馈信息能够反映用户针对目标应用程序内的支付操作行为的具体操作对应的内容,例如,上述的订单信息,另外,该用户反馈信息也可以是用户针对目标应用程序内的支付操作行为反映的信息,该信息与用户在目标应用程序内的支付行为相关,用户对该支付行为作出评价或者反映用户对该支付行为的观点或意见等信息。
其中,目标应用程序可以是用户所使用的电子设备内所安装的应用程序,也可以是用户通过电子设备的应用平台购买并安装的应用程序,具体地,该支付行为可以是用户操作该目标应用程序且用于购买该目标应用程序的商品的行为,也可以是用户在应用平台购买该目标应用程序的行为。
于本申请实施例中,与支付操作相关的待处理信息中,该支付操作对为用户在目标应用程序内的支付行为,该用户反馈信息包括用户评论内容和意见反馈内容。
该用户评论内容可以是用户在应用中心客户端内针对该目标应用程序的评论。其中,该应用中心客户端为服务软件,用户能够通过该应用中心客户端下载新的应用程序,也可以更新以及启动某个已安装的应用程序。用户在应用中心客户端通过帐号登录,则该帐号对应的所有信息可以存储在服务器的存储空间内。其中,该服务器可以是应用中心客户端对应的服务器,该服务器用于记录用户在应用中心客户端内的操作,并且还用于在应用中心客户端的确定所需要显示的内容,该显示的内容可以是应用中心客户端为用户推送的内容。
具体地,应用中心客户端包括多个界面,不同的界面展示不同的内容,不同的界面的种类也不尽相同。例如,有的界面的为游戏应用展示界面,如图5所示,示出了应用中心客户端的游戏应用的下载界面,其中,在游戏应用展示界面内,一般展示有多个游戏类应用程序和一些推荐内容。在用户点击某个游戏类应用程序对应的显示内容,例如,图5中的图标1、图标2、图标3以及图标4等代表不同的游戏类应用程序,用户点击其中的一个图标,就能够进入对应的游戏类应用程序的详情界面,具体地,如图6所示,示出了图标1对应的游戏类应用程序的详情界面,该详情界面为图5所示的界面的下一级界面,该界面所展示的内容为应用APP1对应的内容,例如,“详情”就是应用APP1的描述,而“评论”就是针对APP1的评论,另外,界面底部的“安装”按键,用于在用户操作时,将应用APP1安装在应用中心客户端对应的电子设备100上。
作为一种实施方式,服务器收集用户在应用中心客户端内针对目标应用功能程序的评论的内容,即用户评论内容。应用中心客户端能够为用户提供该目标应用程序的下载、更新等操作,则应用中心客户端负责该目标应用程序的管理以及执行相关支付的操作,即用户在该目标应用程序内的支付行为,由应用中心客户端来完成该支付行为,即用户的金额对该用户在该应用中心客户端内的帐号充值,并且由该应用中心客户端内的帐号购买用户在该目标应用程序内的支付行为对应的需购买的商品,也就是说,该目标应用程序的而开发商通过应用中心客户端获得用户在目标应用程序内的支付行为所带来的利润。
另外,给应用中心客户端还作为目标应用程序的管理中心,则用户针对该目标应用程序相关的支付行为的意见可以反馈至应用中心客户端。例如,用户在该目标应用程序内的支付行为发生异常,例如,支付失败或者支付成功但是未收到商品等行为,用户可以向应用中心客户端反馈本次异常行为,具体地,用户在应用中心客户端内提交意见反馈内容,通过该意见反馈内容阐述该目标应用程序相关的支付行为。
在服务器根据预设采样规则获取用户在应用中心客户端内提交的用户评论内容和意见反馈内容,作为一种实施方式,在应用中心客户端内设置有采集组件,该采集组件根据预设采样规则获取用户在应用中心客户端内提交的用户评论内容和意见反馈内容并发送至服务器。其中,该采集组件可以是SDK插件,并且在应用中心客户端内设置预设埋点,根据SDK插件和预设埋点按照预设采样规则获取用户在应用中心客户端内提交的用户评论内容和意见反馈内容。其中,预设采样规则可以是按照预设采样周期采集用户评论内容和意见反馈内容,其中,预设采样周期可以是间隔24小时采集一次。
S402:将所述用户反馈信息中与所述支付操作相关的信息作为待处理信息。
作为一种实施方式,服务器收集用户在应用中心客户端发布的用户评论内容和以及提交的意见反馈内容,则所收集的用户评论内容和意见反馈内容内有可能均包括与支付相关的信息,也包括与支付不相关的信息,则可以通过与支付相关的关键词从用户反馈信息中查找与支付操作相关的信息作为待处理信息。其中,支付相关的关键词可以参考前述实施例,在此不再赘述。
S403:基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
S404:若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
作为一种实施方式,在确定所述支付操作为非法支付行为,可以将该待处理信息输出或者保存。具体地,由于待处理信息为与支付操作相关的用户评论内容和意见反馈内容,并且用户评论内容和意见反馈内容有可能涉及到支付操作相关的支付标识,该支付标识可以是用于记录支付操作的标识,例如,可以是支付订单,则在确定该待处理信息对应的支付操作为非法执行行为的情况下,可以得知该待处理信息对应的支付操作所对应的支付行为也是非法支付行为,从而记录该支付行为的支付标识为非法支付行为。
作为一种实施方式,服务器可以预先设定一个存储空间用于记录非法执行行为的支付标识,具体地,该服务器预先设定一个支付黑名单,该支付黑名单用于记录支付标识,且在该黑名单内的支付标识对应的支付操作均为非法执行行为。
作为另一种实施方式,用于该支付操作对应目标应用程序,如果该支付操作为非法支付行为,则可以将所述目标应用程序标记为非法应用程序。其中,非法应用程序是可以是指执行过非法行为的应用程序,其中,该非法行为可以包括非法支付行为。为应用程序标记非法应用程序的方式可以是,设置一个标签,该标签与应用程序的标识对应,该标签包括非法应用标签,则为该应用程序的标识设置对应的非法应用标签,则表明该应用程序为非法应用程序。
作为另一种实施方式,该服务器预先设定一个应用黑名单,被标记为非法应用程序的应用标识被存储在应用黑名单内,后续可以依据该应用黑名单,对被标记为非法应用程序会对应有一些处罚策略,例如,被限制下载或者被限制执行支付操作。
作为一种实施方式,可以将被标记为非法应用程序和支付操作为非法支付行为的信息推送至后续处理客户端,该后续处理客户端能够根据该信息执行预设操作以及对该目标应用程序执行预设惩罚操作。
具体地,将所述目标应用程序标记为非法应用程序之后,所述方法还包括:将被标记为所述非法应用程序对应的应用程序的标识作为非法应用标识;将所述支付操作为非法支付行为的待处理信息作为非法支付信息;向后续处理客户端推送所述非法应用标识和非法支付信息。
作为一种实施方式,服务器内预先设置有支付黑名单和应用黑名单,将非法应用标识存储在应用黑名单内,将非法支付信息存储在支付黑名单内,具体地,该非法支付信息可以包括该待处理信息内所包括的支付操作的支付标识以及用户身份信息,该用户身份信息可以是本次支付操作的用户对应的帐号。
作为一种实施方式,该后续处理客户端可以是审核人员操作的用于处理非法支付行为的客户端,具体地,服务器将非法应用标识和非法支付信息发送至后续处理客户端,后续处理客户端可以在接收到非法应用标识和非法支付信息的时候将该非法应用标识和非法支付信息显示,例如,可以是以一个弹窗的方式,在后续处理客户端的显示屏上显示一个弹窗,在该弹窗内显示提示信息,例如,该提示信息可以是“发现非法支付行为”,审核人员点击该提示信息,能够在当前界面内显示非法应用标识和非法支付信息,或者跳转到非法支付行为处理界面,在该界面内显示该非法应用标识和非法支付信息。
后续处理客户端基于审核人员的操作发送处理请求至服务器,该处理请求内包括非法应用标识和非法支付信息以及对应的处理策略。其中,审核人员的操作可以是从当前所显示的多个非法应用标识和非法支付信息内筛选出需要被处理的非法应用标识和非法支付信息。具体地,可以是审核人员对该非法应用标识和非法支付信息再进行一次人工审核,从而将机器学习模型误判为非法支付行为的支付操作和应用程序,判定为合法支付行为的支付操作和应用程序,避免被误惩罚。
作为一种实施方式,针对非法支付信息的处理策略可以是,获取该非法支付信息内所包含的支付标识对应的支付操作,判断该支付操作的异常类型,其中,该异常类型可以包括切支付和恶意扣费。
如果是切支付,则向该支付操作对应的用户账号发送警示信息,该警示信息用于通知用户其支付操作属于非法支付行为,请使用合法支付方式支付,其中,该警示信息可以是在用户使用用户帐号登录该目标应用程序的时候,在目标应用程序的预设界面内显示该警示信息。例如,该警示信息可以是“您的***订单的支付操作为非法支付,请使用合法支付,否则您的账号将被封”。则作为一种实施方式,后续处理客户端将处理请求发送至服务器,该处理请求包括警示信息和支付操作对应的支付标识,服务器解析该处理请求,根据该支付标识查找用户帐号,并且将该警示信息发送至用户帐号对应的电子设备,指示该电子设备将警示信息在该目标应用程序内显示。
另外,设置一个第一参数,该第一参数用于记录发送至该用户帐号警示信息的次数。则本次服务器将警示信息发送至用户帐号的时候,将该参数加1,并且判断该第一参数的数值是否大于第一指定次数,如果大于,则将该用户帐号执行封号操作,并为该封号操作设定封号时间,用户在该封号时间内无法使用该用户帐号,即无法通过该用户帐号登录目标应用程序。其中,第一指定次数可以根据实际需要而设定,例如,该第一指定次数可以是3次,该封号时间可以根据需要而设定,也可以递增设置,即随着封号操作的执行次数的增加,该封号时间也逐渐增加,而在封号操作的执行次数大于预设次数的时候,该封号时间为永久,即该用户账号被永久封号。从而,能够鼓励用户通过合法支付方式执行支付操作,而对于多次使用非法支付方式支付(例如,切支付)且屡教不改的用户,实行封号处理,严重者被永久封号。
作为一种实施方式,目标应用程序显示该警示信息的预设界面可以是该目标应用程序内的指定界面。作为一种实施方式,该界面可以是目标应用程序的首页,作为另一种实施方式,该目标应用程序为游戏类应用程序,则该指定界面可以是加载界面,该加载界面可以是游戏加载指定数据的时候的界面。例如,该加载界面可以是游戏加载副本时候所显示的界面。
具体地,在加载界面上显示警示信息,由此,在用户在目标应用程序从一个场景切合到另一个场景,显示加载界面的时候,在等待加载的过程中,通过在该加载界面上所显示的显示内容获知警示信息。
作为另一种实施方式,针对非法应用程序的处理策略可以是降低该应用程序的热度或者降低该应用程序在应用中心客户端内的下载次数。
具体地,降低应用程序的热度的实施方式可以是,降低针对该应用程序的推广次数和好评度的至少一种,于本申请实施例中,可以同时执行降低针对该应用程序的推广次数和好评度。
作为一种实施方式,应用中心客户端包括推广界面,该推广界面可以是应用中心客户端用于为用户推广应用程序的界面,例如,给推广界面可以是在应用中心客户端的首页内的某个区域内显示的广告界面,在该界面内显示有应用程序的推广内容,该推广内容包括应用程序的标识和描述信息,该描述信息用于向用户介绍该应用程序的特性。通过该推广内容,能够提高该应用程序被用户下载和安装的可能性。
则降低该应用程序的推广次数的实施方式可以是,降低在应用中心客户端的推广界面内显示该非法应用程序对应的推广内容的次数。另外,可以设置一个惩罚期间,在惩罚期间降低在应用中心客户端的推广界面内显示该非法应用程序对应的推广内容的次数。其中,惩罚期间可以是一个时间段,该时间段的时间长度可以是预设时长,例如,该预设时长可以是1周,即7天。在惩罚期间结束之后,恢复对该应用程序的默认推广策略。假设,该应用程序的默认推广策略是在每次用户打开应用中心客户端的首页的时候,在该首页的推广界面内显示该应用程序的推广内容,具体地,可以是每天推广一次,例如,可以是在每天首次打开应用中心客户端的首页的时候,在该首页的推广界面内显示该应用程序的推广内容。
如果该应用程序被判定为非法应用程序,在降低该应用程序的推广频率,例如,将该应用程序的推广频率降低为2天一次。
另外,还可以设置一个第二参数,该第二参数用于记录应用程序被判定为非法应用程序的次数,则该次数越多,该应用程序的推广频率被降低的越多。后续处理客户端将处理请求发送至服务器,服务器根据该处理请求降低该应用程序的推广频率,将该第二参数加1,并且判断该第一参数的数值是否大于第二指定次数,如果大于第二指定次数,则暂停在应用中心客户端的推广界面内推广该应用程序。
从而,能够鼓励用户通过合法支付方式执行支付操作,而对于多次使用非法支付方式支付(例如,切支付)且屡教不改的应用程序的开发商,暂停在应用平台为其推广。
另外,降低针对该应用程序的好评度的实施方式可以是降低该应用程序在应用中心客户端所显示的好评度,具体地,可以是该应用程序在应用中心客户端的应用详情界面内显示有该应用程序的好评信息,该好评信息可以是好评分数或星级等。则在后续处理客户端确定要对该应用程序降低好评度的处理策略之后,将该处理策略通过处理请求发送至服务器,服务器降低该应用程序在应用中心客户端内所显示的好评信息。降低应用程序的好评信息,可以使得未安装该应用程序的用户降低安装的可能性,还有可能使得安装了该应用程序的用户卸载该应用程序。
作为又一种实施方式,后续处理客户端在进一步确定该应用程序为非法应用程序,并且确定处理策略是将该应用程序下架之后,将该处理策略发送至服务器,服务器根据该处理策略,暂停在应用中心客户端内提供该应用程序的操作入口,即用户无法通过应用中心客户端下载和更新该应用程序。
请参阅图7,本申请实施例提供了一种信息处理方法,用于提高对非法执行行为检测的准确性和效率,该方法可以应用于上述的服务器,具体地,可以是上述的第一服务器。如图7所示,该方法包括:S701至S705。
S701:获取多个样本,其中,每个所述样本被标注有分值,所述分值越高,则该分值对应的样本为非法支付的可能性越大。
作为一种实施方式,服务器收集应用中心客户端的用户评论内容以及意见反馈相关的内容。其中,以游戏应用为例,该应用中心客户端可以是软件商店和游戏中心,则服务器收集的是软件商店和游戏中心针对各个游戏应用的用户评论内容以及意见反馈相关的内容。
通过匹配关键词找出跟非法支付相关的内容,以及结合日常运营中发现的非法支付相关的内容,从而得到多个非法支付相关的信息,针对该多个信息进行人工标注不同分值,分值越高表示该信息就跟非法支付越相关,即所述分值越高,则该分值对应的样本为非法支付的可能性越大。
具体地,将该信息内的关键词作为该信息的特征信息,为该特征信息标记分值,该分值作为该特征信息对应的标签,比如关键词“充值失败”标记为非法支付分类的分值是5,“公众号充值”标记为非法支付分类的分值是10。
S702:将所述多个样本作为待训练的机器学习模型输入,并执行对所述待训练的机器学习模型的训练操作,以得到训练好的机器学习模型。
作为一种实施方式,该机器学习模型可以是基于条件概率的算法,能够根据输入的非法支付相关的信息得到该信息对应的分值,该分值能够反映该信息为非法支付信息的可能性,然后,将该信息预先被人工标记的分值作为期望值,从而,根据该期望值和实际输出的分值对该机器学习模型训练,一开始粗糙的模型经过多次调参训练后得到一个更为精准的模型。
作为一种实施方式,该机器学习模型的算法可以是基于随机场的条件概率,即通过基于随机场的条件概率算法获取非法支付的信息对应的分值。
作为另一种实施方式,该机器学习模型的算法可以是朴素贝叶斯算法,即该机器学习模型为基于朴素贝叶斯算法建立的模型。
S703:获取与支付操作相关的待处理信息。
S704:基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
S705:若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
需要说明的是,前述方法步骤中未详细描述的部分请参阅前述实施例,在此不再赘述。
请参阅图8,其示出了本申请实施例提供的一种信息处理装置800的结构框图该装置可以包括:获取单元801、确定单元802和处理单元803。
获取单元801,用于获取与支付操作相关的待处理信息。
确定单元802,用于基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
处理单元803,用于若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
请参阅图9,其示出了本申请实施例提供的一种信息处理装置900的结构框图该装置可以包括:获取单元910、确定单元920和处理单元930。
获取单元910,用于获取与支付操作相关的待处理信息。
所述支付操作对应目标应用程序,获取单元910包括信息收集子单元911和信息查找子单元912。
信息收集子单元911用于获取所述目标应用程序对应的用户反馈信息。
信息查找子单元912用于将所述用户反馈信息中与所述支付操作相关的信息作为待处理信息。
其中,所述用户反馈信息包括用户评论内容和意见反馈内容。
确定单元920,用于基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
处理单元930,用于若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
进一步,信息处理装置940还包括报警单元。
该报警单元940用于确定该待处理信息的支付操作为非法支付行为之后,将所述目标应用程序标记为非法应用程序。
进一步,该报警单元940还用于将被标记为所述非法应用程序对应的应用程序的标识作为非法应用标识;将所述支付操作为非法支付行为的待处理信息作为非法支付信息;向后续处理客户端推送所述非法应用标识和非法支付信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
请参阅图10,其示出了本申请实施例提供的一种信息处理装置1000的结构框图该装置可以包括:训练单元1001、获取单元1002、确定单元1003和处理单元1004。
训练单元1001,用于获取多个样本,其中,每个所述样本被标注有分值,所述分值越高,则该分值对应的样本为非法支付的可能性越大;将所述多个样本作为待训练的机器学习模型输入,并执行对所述待训练的机器学习模型的训练操作,以得到训练好的机器学习模型。其中,所述机器学习模型为基于朴素贝叶斯算法建立的模型。
获取单元1002,用于获取与支付操作相关的待处理信息。
确定单元1003,用于基于预先训练的机器学习模型,获取所述待处理信息对应的分值。
处理单元1004,用于若所述分值大于指定阈值,则确定所述支付操作为非法支付行为。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
请参考图11,其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备10可以是上述的服务器,具体地,可以是上述的第二服务器200。本申请中的电子设备10可以包括一个或多个如下部件:处理器110、存储器120、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个电子设备10内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行电子设备10的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器110中,单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备10在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参考图12,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质1200中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1200可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质1200包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1200具有执行上述方法中的任何方法步骤的程序代码1210的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1210可以例如以适当形式进行压缩。
综上所述,本申请提供的信息处理方法、装置、电子设备及计算机可读介质,对于非法支付行为的确定方式可以是,获取与支付操作相关的待处理信息,根据预先训练的机器学习模型,获取所述待处理信息对应的分值,该分值能够反映该待处理信息对应的支付操作属于非法支付行为的可能性,即分值越高,该可能性越高,则如果该分值大于指定阈值,则确定该待处理信息的支付操作为非法支付行为。因此,本申请能够根据与支付操作相关的待处理信息确定的分值,自动判断该支付操作的合法性,相比人工的方式,效率更快。
本申请实施例利用现有数据进行简单的标注和算法模型训练,能够比较准确及时地将游戏风险支付行为报警出来并进行相关处理,将本来需要完全人工处理或者通过简单关键词匹配等方式进行的事项AI化,不仅节约人力成本而且高效。另外,这种方式除了使用在预测游戏风险支付的场景,在其他方面也能快速复制,比如根据评论和反馈内容识别APK是否有下载、安装、运行问题等。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种信息处理方法,其特征在于,包括:
获取目标应用程序对应的用户反馈信息,所述目标应用程序为游戏类应用程序;
将所述用户反馈信息中与支付操作相关的信息作为待处理信息;
基于预先训练的机器学习模型,获取所述待处理信息对应的分值;
若所述分值大于指定阈值,则确定所述支付操作为非法支付行为;
将所述目标应用程序标记为非法应用程序;
将被标记为所述非法应用程序对应的应用程序的标识作为非法应用标识;
将所述支付操作为非法支付行为的待处理信息作为非法支付信息;
向后续处理客户端推送所述非法应用标识和非法支付信息;
获取所述后续处理客户端基于审核人员的操作返回的处理请求,所述处理请求包括目标应用标识和非法支付信息以及对应的处理策略;
基于所述处理策略,获取所述非法支付信息内包含的支付标识对应的支付操作;
判断所述支付操作的异常类型;
若所述支付操作的异常类型是切支付,则向该支付操作对应的用户账号发送警示信息,所述警示信息用于通知用户该支付标识对应的支付操作属于非法支付行为,所述警示信息用于在用户使用所述用户账号登录所述目标应用程序的时候,在所述目标应用程序的预设界面内显示,其中,所述预设界面为所述目标应用程序的加载界面,所述加载界面为所述目标应用程序加载指定数据时显示的界面。
2.根据权利要求1所述的方法,其特征在于,所述用户反馈信息包括用户评论内容和意见反馈内容。
3.根据权利要求1所述的方法,其特征在于,所述基于预先训练的机器学习模型,获取所述待处理信息对应的分值之前,还包括:
获取多个样本,其中,每个所述样本被标注有分值,所述分值越高,则该分值对应的样本为非法支付的可能性越大;
将所述多个样本作为待训练的机器学习模型输入,并执行对所述待训练的机器学习模型的训练操作,以得到训练好的机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述机器学习模型为基于朴素贝叶斯算法建立的模型。
5.一种信息处理装置,其特征在于,包括:
获取单元,所述获取单元包括信息收集子单元和信息查找子单元,信息收集子单元用于获取目标应用程序对应的用户反馈信息,所述目标应用程序为游戏类应用程序,信息查找子单元用于将所述用户反馈信息中与支付操作相关的信息作为待处理信息;
确定单元,用于基于预先训练的机器学习模型,获取所述待处理信息对应的分值;
处理单元,用于若所述分值大于指定阈值,则确定所述支付操作为非法支付行为;
报警单元,用于将所述目标应用程序标记为非法应用程序;将被标记为所述非法应用程序对应的应用程序的标识作为非法应用标识;将所述支付操作为非法支付行为的待处理信息作为非法支付信息;向后续处理客户端推送所述非法应用标识和非法支付信息;获取所述后续处理客户端基于审核人员的操作返回的处理请求,所述处理请求包括目标应用标识和非法支付信息以及对应的处理策略;基于所述处理策略,获取所述非法支付信息内包含的支付标识对应的支付操作;判断所述支付操作的异常类型;若所述支付操作的异常类型是切支付,则向该支付操作对应的用户账号发送警示信息,所述警示信息用于通知用户该支付标识对应的支付操作属于非法支付行为,所述警示信息用于在用户使用所述用户账号登录所述目标应用程序的时候,在所述目标应用程序的预设界面内显示,其中,所述预设界面为所述目标应用程序的加载界面,所述目标应用程序为游戏类应用程序,所述加载界面为所述目标应用程序加载指定数据时显示的界面。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行, 所述一个或多个应用程序配置用于执行如权利要求1-4任一项所述的方法。
7.一种计算机可读介质,其特征在于,所述计算机可读介质存储有处理器可执行的程序代码,所述程序代码被所述处理器执行时使所述处理器执行权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175468.XA CN111401897B (zh) | 2020-03-13 | 2020-03-13 | 信息处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175468.XA CN111401897B (zh) | 2020-03-13 | 2020-03-13 | 信息处理方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401897A CN111401897A (zh) | 2020-07-10 |
CN111401897B true CN111401897B (zh) | 2023-09-08 |
Family
ID=71436182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175468.XA Active CN111401897B (zh) | 2020-03-13 | 2020-03-13 | 信息处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401897B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335044A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 支付风险校验方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070133768A1 (en) * | 2005-12-12 | 2007-06-14 | Sapphire Mobile Systems, Inc. | Fraud detection for use in payment processing |
-
2020
- 2020-03-13 CN CN202010175468.XA patent/CN111401897B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335044A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 支付风险校验方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111401897A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274782B (zh) | 一种文本审核方法、装置、计算机设备及可读存储介质 | |
CN109450771B (zh) | 添加好友的方法、装置、计算机设备及存储介质 | |
CN109360089B (zh) | 贷款风险预测方法及装置 | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
CN103595774A (zh) | 终端基于服务器端的系统应用卸载方法与装置 | |
CN103685308A (zh) | 一种钓鱼网页的检测方法及系统、客户端、服务器 | |
CN113383362B (zh) | 用户识别方法及相关产品 | |
CN112930669A (zh) | 内容推荐方法、装置、移动终端及服务器 | |
US20230177092A1 (en) | Method and system for content bias detection | |
CN114282212A (zh) | 流氓软件识别方法、装置、电子设备及存储介质 | |
CN111401897B (zh) | 信息处理方法、装置、电子设备及计算机可读介质 | |
CN108509582B (zh) | 一种信息的回复方法、终端设备及计算机可读存储介质 | |
CN110996314A (zh) | 信息处理方法、装置、电子设备及计算机可读介质 | |
CN108322912B (zh) | 一种短信辨别的方法及装置 | |
CN114169006A (zh) | 隐私合规检测模型的训练方法、隐私合规检测方法及装置 | |
CN111522747B (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
CN108460159B (zh) | 一种信息的回复方法、终端设备及计算机可读存储介质 | |
CN114218455A (zh) | 一种文件快速阅读方法、装置、设备及介质 | |
CN114282940A (zh) | 用于意图识别的方法及装置、存储介质及电子设备 | |
CN109714381B (zh) | 基于消费追踪的信息推送方法、设备、存储介质及装置 | |
CN111445284A (zh) | 一种定向标签的确定方法、装置、计算设备及存储介质 | |
CN112698883A (zh) | 一种配置数据处理方法、装置、终端和存储介质 | |
CN110782311A (zh) | 在线定房信息的处理方法、装置、存储介质及移动终端 | |
CN109379361B (zh) | 一种地址的标签确定方法和装置 | |
CN113052632B (zh) | 一种广告流量数据的识别方法、装置、设备及存储介质 |
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 |