CN111429277B - 重复交易预测方法及系统 - Google Patents

重复交易预测方法及系统 Download PDF

Info

Publication number
CN111429277B
CN111429277B CN202010189943.9A CN202010189943A CN111429277B CN 111429277 B CN111429277 B CN 111429277B CN 202010189943 A CN202010189943 A CN 202010189943A CN 111429277 B CN111429277 B CN 111429277B
Authority
CN
China
Prior art keywords
transaction
historical
repeated
repeat
interval time
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
CN202010189943.9A
Other languages
English (en)
Other versions
CN111429277A (zh
Inventor
陈滔
吴能斌
李志兴
杜文城
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010189943.9A priority Critical patent/CN111429277B/zh
Publication of CN111429277A publication Critical patent/CN111429277A/zh
Application granted granted Critical
Publication of CN111429277B publication Critical patent/CN111429277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q20/4018—Transaction verification using the card verification value [CVV] associated with the card

Abstract

本发明提供一种重复交易预测方法及系统。该方法包括：获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；其中，预先通过以下方式获取重复交易预测模型：获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型，可以有效识别重复交易。

Description

重复交易预测方法及系统
技术领域
本发明涉及机器学习技术领域，具体地，涉及一种重复交易预测方法及系统。
背景技术
随着当下金融交易种类的日益增多，交易的渠道种类更是多种多样，防止重复交易成为了金融交易能够正确完整运行的重要保障。
现有的识别重复交易的技术一般是由一个唯一键值(订单号、交易检索号)去检索是否已存在相同交易，不存在则继续，存在则返回结果。这种方式可以识别出由于网络延迟重发、调用方交易控制等原因造成的键值重复交易，但是对于人为误操作多次点击发送、不同渠道同时间发送的重复交易却不能有效的识别出来。
发明内容
本发明实施例的主要目的在于提供一种重复交易预测方法及系统，以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
为了实现上述目的，本发明实施例提供一种重复交易预测方法，包括：
获取重复交易预测模型；
获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，预先通过以下方式获取重复交易预测模型：获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
本发明实施例还提供一种重复交易预测系统，包括：
模型获取单元，用于获取重复交易预测模型；
数据获取单元，用于获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
预测结果单元，用于将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，模型获取单元包括：
获取子单元，用于获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；
第一确定子单元，用于根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；
第二确定子单元，用于根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；
模型生成子单元，用于根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的重复交易预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的重复交易预测方法的步骤。
本发明实施例的重复交易预测方法及系统先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中重复交易预测方法的流程图；
图2是本发明另一实施例中重复交易预测方法的流程图；
图3是本发明一实施例中S202的流程图；
图4是本发明一实施例中S302的流程图；
图5是本发明又一实施例中重复交易预测方法的流程图；
图6是本发明一实施例中S501的流程图；
图7是本发明一实施例中第一次迭代的回归树和学习结果示意图；
图8是本发明一实施例中第二次迭代的回归树和学习结果示意图；
图9是本发明一实施例中第三次迭代的回归树和学习结果示意图；
图10是本发明一实施例中第四次迭代的回归树和学习结果示意图；
图11是本发明一实施例中第五次迭代的回归树和学习结果示意图；
图12是本发明一实施例中第六次迭代的回归树和学习结果示意图；
图13是本发明一实施例中第七次迭代的回归树和学习结果示意图；
图14是本发明实施例中历史重复特征决策树的示意图；
图15是本发明另一实施例中历史重复特征决策树的示意图；
图16是本发明实施例中的概率分布图；
图17是本发明实施例中重复交易预测系统的结构框图；
图18是本发明实施例中模型获取单元的结构框图；
图19是本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
鉴于现有技术不能有效识别重复交易，本发明实施例提供一种重复交易预测方法，以有效识别重复交易，减少重复交易带来的风险，提高用户体验。以下结合附图对本发明进行详细说明。
图1是本发明一实施例中重复交易预测方法的流程图。如图1所示，重复交易预测方法包括：
S101：获取重复交易预测模型。
S102：获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征。
S103：将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果。
其中，预先通过以下方式获取重复交易预测模型：
获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征。根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树。根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率。根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
一实施例中，历史重复特征包括交易时间、卡号、币种、金额、渠道和接收方。
在获取多个历史交易样本之前，还包括：获取全量原始历史数据，对原始历史数据进行去脏化和特征相关性分析，对于缺失重要元素的记录做剔除处理，然后筛选出多条正样本(重复交易)与负样本(非重复交易)。正样本与负样本的比例等于全量原始历史数据中重复交易与非重复交易的比例。正样本和负样本中都包括交易时间、卡号、币种、金额、渠道和接收方。将前后两笔交易的交易时间相减，可以得到历史间隔时间。比较前后两笔交易中的卡号、币种、金额、渠道和接收方是否相同，相同则赋值为1，不同则赋值为0。前后两笔交易是重复交易，则重复交易标签为1，否则重复交易标签为0。
表1是历史交易样本表。如表1所示，历史交易样本如下，表1中的历史间隔时间的单位为秒：
表1
图1所示的重复交易预测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的重复交易预测方法先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
图2是本发明另一实施例中重复交易预测方法的流程图。如图2所示，确定各个历史间隔时间的间隔时间重复交易概率包括：
S201：根据多个重复交易标签确定各个历史间隔时间的初始学习结果。
一实施例中，通过如下公式计算初始学习结果：
其中，F0(xi)为编号为i的历史间隔时间的初始学习结果，xi为编号为i的历史间隔时间，每个历史间隔时间的初始学习结果都相同。P0(Y＝1|x)为初始间隔时间重复交易概率，等于重复交易标签为1的历史交易样本占全部历史交易样本的比例。以表1为例，此时P0(Y＝1|x)＝0.2，则F0(xi)为-0.6。
执行如下迭代处理：
S202：根据各个历史间隔时间对应的重复交易标签和初始学习结果将多个历史间隔时间划分至多个节点，确定每个节点的拟合残差。
S203：根据每次历史迭代中各个节点的拟合残差和初始学习结果确定各个历史间隔时间的当前迭代学习结果。
一实施例中，可以通过如下公式确定各个历史间隔时间的当前迭代学习结果：
其中，Fm(xi)为编号为i的历史间隔时间的第m次迭代学习结果，F0(xi)为编号为i的历史间隔时间的初始学习结果，xi为编号为i的历史间隔时间，Jm为第m次迭代中叶节点的数量，cm,j为第m次迭代中第j个叶节点的拟合残差，lr为学习率，可以为0.1；Rm,j为第m次迭代中第j个叶节点。
以第一次迭代为例，可以通过如下公式确定各个历史间隔时间的第一次迭代学习结果：
表2是第一次迭代后的学习结果表。如表2所示，第一次迭代后各个历史间隔时间的学习结果如下：
表2
S204：判断当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值是否均小于预设值。
S205：当当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值均小于预设值时，迭代结束，根据各个历史间隔时间的当前迭代学习结果确定各个历史间隔时间的间隔时间重复交易概率。
S206：令各个历史间隔时间的当前迭代学习结果替代初始学习结果。
图7是本发明一实施例中第一次迭代的回归树和学习结果示意图。图8是本发明一实施例中第二次迭代的回归树和学习结果示意图。图9是本发明一实施例中第三次迭代的回归树和学习结果示意图。图10是本发明一实施例中第四次迭代的回归树和学习结果示意图。图11是本发明一实施例中第五次迭代的回归树和学习结果示意图。图12是本发明一实施例中第六次迭代的回归树和学习结果示意图。图13是本发明一实施例中第七次迭代的回归树和学习结果示意图。设置预设值为0.1。如图7-图13所示，前六次迭代中各个节点的拟合残差对应的差值大于0.1，而第七次迭代中节点1的拟合残差(1.5219)与第六次迭代中节点1的拟合残差(1.6133)的差值绝对值小于0.1，第七次迭代中节点2的拟合残差(-1.238)与第六次迭代中节点2的拟合残差(-1,2703)的差值绝对值小于0.1，因此迭代结束。
一实施例中，可以通过如下公式计算间隔时间重复交易概率：
其中，P(Y＝1|xi)为编号为i的历史间隔时间的间隔时间重复交易概率。
表3是间隔时间重复交易概率表。如表3所示，间隔时间重复交易概率如下：
表3
编号 Fm(xi) 间隔时间重复交易概率
0,1 0.8024 0.69
2,3,4,5,6,7,8,9 -1.5594 0.1737
图3是本发明一实施例中S202的流程图。如图3所示，S202包括：
S301：根据各个历史间隔时间对应的重复交易标签和初始学习结果确定各个历史间隔时间的残差。
一实施例中，可以通过如下公式计算各个历史间隔时间的残差：
其中，rm,i为第m次迭代中编号为i的历史间隔时间的残差，yi为编号为i的历史间隔时间对应的重复交易标签，Fm-1(xi)为第m-1次迭代中编号为i的历史间隔时间的学习结果。
因此第一次迭代时的公式如下：
表4是第一次迭代前的残差表。如表4所示，第一次迭代前各个历史间隔时间的残差如下：
表4
S302：根据各个历史间隔时间的残差将多个历史间隔时间划分至多个节点。
其中，将多个历史间隔时间划分至多个节点后可以得到回归树。
S303：根据每个节点的历史间隔时间的残差确定每个节点的拟合残差。
一实施例中，通过如下公式确定每个节点的拟合残差：
其中，cm,j为第m次迭代中第j个叶节点的拟合残差，Rm,j为第m次迭代中第j个叶节点。
以第一次迭代为例，则通过如下公式确定第一次迭代中每个节点的拟合残差：
如图7所示，可以计算出图7中回归树的两个叶节点的拟合残差c1,1和c1,2：
(x0,x1∈R1,1)，c1,1＝2.8222；
(x2,x3,x4,x5,x6,x7,x8,x9∈R1,2)，c1,2＝-1.5488。
图4是本发明一实施例中S302的流程图。如图4所示，S302包括：
执行如下迭代处理：
S401：确定总节点下各个划分点的总平方损失。
表5是本发明实施例的节点划分表。如表5所示，各个划分点对应的总平方损失如下：
表5
其中，SEl为历史间隔时间小于划分点的编号对应的总平方损失，SEr为历史间隔时间大于或等于划分点的编号对应的总平方损失，ri l为第i个历史间隔时间小于划分点的编号对应的残差，ri r为第i个历史间隔时间大于或等于划分点的编号对应的残差，n为残差的数量，SEsum为总平方损失，即SEl与SEr的和。
S402：将总平方损失的最小值对应的划分点作为最佳划分点。
从表5可以看出，当划分点为历史间隔时间小于68s时，总平方损失最小，所以首先选取68s的历史间隔时间作为最佳划分点。
S403：按照最佳划分点将多个历史间隔时间划分至各个节点。
S404：判断每个节点的历史间隔时间对应的重复交易标签是否相同。
S405：当重复交易标签相同时，迭代结束。
S406：当重复交易标签不相同时，将各个节点替代总节点。
如图7所示，因为包括编号0和1的节点对应的重复交易标签均为1，包括编号为2-9的节点对应的重复交易标签均为0，所以无需再将重复交易标签不相同的节点继续向下划分。该回归树只有两层。
图5是本发明又一实施例中重复交易预测方法的流程图。如图5所示，确定历史重复特征决策树包括：
执行如下迭代处理：
S501：根据多个重复交易标签确定多个历史交易样本中各种历史重复特征的信息增益。
一实施例中，重复交易标签包括重复标签和非重复标签；每种历史重复特征包括相同历史重复特征和不同历史重复特征。
图6是本发明一实施例中S501的流程图。如图6所示，S501包括：
S601：根据重复标签的数量确定多个历史交易样本的熵。
一实施例中，可以通过如下公式计算多个历史交易样本的熵：
A(x)＝-(P0(Y＝1|x)×log2 P0(Y＝1|x)+(1-P0(Y＝1|x))×log2(1-P0(Y＝1|x)))；
其中，A(x)为熵，P0(Y＝1|x)为重复交易标签为1的历史交易样本占全部历史交易样本的比例。以表1为例，可以得出熵为0.7219。
S602：根据各种相同历史重复特征对应的重复交易标签确定各种历史重复特征的相同条件熵。
S603：根据各种不同历史重复特征对应的重复交易标签确定各种历史重复特征的不同条件熵。
以表1中的卡号为例，分别计算卡号的相同条件熵和卡号的不同条件熵：
A1(x)＝-(P1(Y＝1|x)×log2P1(Y＝1|x)+(1-P1(Y＝1|x))×log2(1-P1(Y＝1|x)))；
A1'(x)＝-(P1'(Y＝1|x)×log2P1'(Y＝1|x)+(1-P1'(Y＝1|x))×log2(1-P1'(Y＝1|x)))；
其中，A1(x)为卡号相同情况下的相同条件熵，A1'(x)为卡号不相同情况下的不同条件熵，P1(Y＝1|x)为重复交易标签为1且卡号相同(即表1中对应的数值为1)的历史交易样本占卡号相同的历史交易样本的比例；P1'(Y＝1|x)为重复交易标签为1且卡号不相同(即表1中对应的数值为0)的历史交易样本占卡号不相同的历史交易样本的比例。
以表1为例，卡号为1的历史交易样本中有1条重复交易标签为1的样本，5条重复交易标签为0的样本，则卡号的相同条件熵为0.65；卡号为0的历史交易样本中有1条重复交易标签为1的样本，3条重复交易标签为0的样本，则卡号的不同条件熵为0.9183。
S604：根据多个历史交易样本的熵、各种历史重复特征的相同条件熵和各种历史重复特征的不同条件熵确定多个历史交易样本中各种历史重复特征的信息增益。
具体实施时，可以通过如下公式计算各种历史重复特征的信息增益：
B(x)＝A(x)-(A1(x)×P+A1'(x)×P')；
其中，B(x)为信息增益，P为历史重复特征为1的样本占全部样本的比例，P'为历史重复特征为0的样本占全部样本的比例。以表1的卡号为例，卡号为1的样本占全部样本的比例为0.6，卡号为0的样本占全部样本的比例为0.4，因此卡号的信息增益为-0.0354。同理可得币种的信息增益为0.0341，金额的信息增益为0.3219，渠道的信息增益为0.087，接收方的信息增益为0.1177。
S502：将信息增益的最大值对应的历史重复特征作为历史重复特征决策树的根节点。
以表1为例，信息增益的最大值对应的历史重复特征为金额所以将金额作为根节点。
S503：根据该历史重复特征将多个历史交易样本划分至根节点下的节点，将重复交易标签相同的节点作为叶节点。
S504：判断是否存在重复交易标签不相同的节点。
S505：当存在重复交易标签不相同的节点时，将该节点作为子节点，令该子节点替代根节点、该子节点的历史交易样本替代多个历史交易样本以及剩余历史重复特征替代各种历史重复特征，继续执行迭代处理。
S506：当不存在重复交易标签不相同的节点时，迭代结束。
图14是本发明实施例中历史重复特征决策树的示意图。如图14所示，此时包括编号0、1、5、6的节点对应的重复交易标签不相同，包括编号2-4、7-9的节点对应的重复交易标签相同，所以将图14中的节点1作为叶节点。将包括编号0、1、5、6的节点当作S502中的根节点继续计算编号0、1、5、6的信息增益以生成新的子节点和叶节点，编号0、1、5、6的信息增益的历史重复特征不包括金额。重复执行S501-S505，直至全部节点对应的重复交易标签相同，最终得到历史重复特征决策树。
一实施例中，根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率包括：
根据历史重复特征决策树中各个节点的历史交易样本数量确定各个节点的权重参数。
根据各个历史交易样本对应的各个节点的权重参数确定各个历史交易样本的特征重复交易概率。
图15是本发明另一实施例中历史重复特征决策树的示意图。如图15所示，设历史重复特征决策树中每层的权重参数为0.2，那么可以按照同一层中两个节点的历史交易样本数量的比分配0.2的权重参数。例如，在第一层中，左边节点的历史交易样本数量为4，右边节点的历史交易样本数量为6，则左边节点可以分到0.08的权重参数，右边节点可以分到0.12的权重参数。将各个层的权重参数相加可以得到各个层子节点的权重参数。将各个节点中同一编号(id)的权重参数相加，可以得到该编号对应的历史交易样本的特征重复交易概率。
表6是本发明实施例的间隔时间重复交易概率和特征重复交易概率表，如下：
表6
/>
一实施例中，重复交易预测模型可以为概率分布图。生成重复交易预测模型包括：根据各个间隔时间重复交易概率和各个特征重复交易概率生成概率分布图，概率分布图中包括重复交易区间。图16是本发明实施例中的概率分布图。如图16所示，横轴x1为间隔时间重复交易概率，纵轴x2为特征重复交易概率。根据各个间隔时间重复交易概率和各个特征重复交易概率可以确定重复交易区间，图16中的重复交易区间为(x1＞0.43，x2＞0.415)。
执行S103时，先确定当前间隔时间对应的间隔时间重复交易概率和当前重复特征对应的特征重复交易概率。当当前间隔时间对应的间隔时间重复交易概率和当前重复特征对应的特征重复交易概率落入重复交易区间时，当前交易为重复交易。
本发明实施例的整体流程如下：
1、获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征。
2、根据多个重复交易标签确定各个历史间隔时间的初始学习结果。
3、根据各个历史间隔时间对应的重复交易标签和初始学习结果确定各个历史间隔时间的残差。
4、执行如下迭代处理：
确定总节点下各个划分点的总平方损失，将总平方损失的最小值对应的划分点作为最佳划分点。按照最佳划分点将多个历史间隔时间划分至各个节点，判断每个节点的历史间隔时间对应的重复交易标签是否相同；当重复交易标签相同时，迭代结束；否则将各个节点替代总节点，继续执行迭代处理。
5、根据每个节点的历史间隔时间的残差确定每个节点的拟合残差。
6、根据每次历史迭代中各个节点的拟合残差和初始学习结果确定各个历史间隔时间的当前迭代学习结果。
7、当当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值均小于预设值时，迭代结束，根据各个历史间隔时间的当前迭代学习结果确定各个历史间隔时间的间隔时间重复交易概率；否则令各个历史间隔时间的当前迭代学习结果替代初始学习结果，返回步骤3。
8、根据重复标签的数量确定多个历史交易样本的熵。
9、根据各种相同历史重复特征对应的重复交易标签确定各种历史重复特征的相同条件熵。
10、根据各种不同历史重复特征对应的重复交易标签确定各种历史重复特征的不同条件熵。
11、根据多个历史交易样本的熵、各种历史重复特征的相同条件熵和各种历史重复特征的不同条件熵确定多个历史交易样本中各种历史重复特征的信息增益。
12、将信息增益的最大值对应的历史重复特征作为历史重复特征决策树的根节点。根据该历史重复特征将多个历史交易样本划分至根节点下的节点，将重复交易标签相同的节点作为叶节点。
13、判断是否存在重复交易标签不相同的节点。
14、当存在重复交易标签不相同的节点时，将该节点作为子节点，令该子节点替代根节点、该子节点的历史交易样本替代多个历史交易样本以及剩余历史重复特征替代各种历史重复特征，返回步骤8；否则结束以生成历史重复特征决策树。
15、根据历史重复特征决策树中各个节点的历史交易样本数量确定各个节点的权重参数。
16、根据各个历史交易样本对应的各个节点的权重参数确定各个历史交易样本的特征重复交易概率。
17、根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
18、获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征，将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果。
综上，本发明实施例的重复交易预测方法先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
本发明还可以提高金融系统的易用性、扩展性以及响应能力。
基于同一发明构思，本发明实施例还提供了一种重复交易预测系统，由于该系统解决问题的原理与重复交易预测方法相似，因此该系统的实施可以参见方法的实施，重复之处不再赘述。
图17是本发明实施例中重复交易预测系统的结构框图。图18是本发明实施例中模型获取单元的结构框图。如图17和图18所示，重复交易预测系统包括：
模型获取单元，用于获取重复交易预测模型；
数据获取单元，用于获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
预测结果单元，用于将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，模型获取单元包括：
获取子单元，用于获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；
第一确定子单元，用于根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；
第二确定子单元，用于根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；
模型生成子单元，用于根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
在其中一种实施例中，第一确定子单元具体用于：
根据多个重复交易标签确定各个历史间隔时间的初始学习结果；
执行如下迭代处理：
根据各个历史间隔时间对应的重复交易标签和初始学习结果将多个历史间隔时间划分至多个节点，确定每个节点的拟合残差；
根据每次历史迭代中各个节点的拟合残差和初始学习结果确定各个历史间隔时间的当前迭代学习结果；
当当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值均小于预设值时，迭代结束，根据各个历史间隔时间的当前迭代学习结果确定各个历史间隔时间的间隔时间重复交易概率；否则令各个历史间隔时间的当前迭代学习结果替代初始学习结果，继续执行迭代处理。
在其中一种实施例中，第一确定子单元具体用于：
根据各个历史间隔时间对应的重复交易标签和初始学习结果确定各个历史间隔时间的残差；
根据各个历史间隔时间的残差将多个历史间隔时间划分至多个节点；
根据每个节点的历史间隔时间的残差确定每个节点的拟合残差。
在其中一种实施例中，第一确定子单元具体用于：
执行如下迭代处理：
确定总节点下各个划分点的总平方损失；
将总平方损失的最小值对应的划分点作为最佳划分点；
按照最佳划分点将多个历史间隔时间划分至各个节点，判断每个节点的历史间隔时间对应的重复交易标签是否相同；
当重复交易标签相同时，迭代结束；否则将各个节点替代总节点，继续执行迭代处理。
在其中一种实施例中，第一确定子单元具体用于：
执行如下迭代处理：
根据多个重复交易标签确定多个历史交易样本中各种历史重复特征的信息增益；
将信息增益的最大值对应的历史重复特征作为历史重复特征决策树的根节点；
根据该历史重复特征将多个历史交易样本划分至根节点下的节点，将重复交易标签相同的节点作为叶节点；当存在重复交易标签不相同的节点时，将该节点作为子节点，令该子节点替代根节点、该子节点的历史交易样本替代多个历史交易样本以及剩余历史重复特征替代各种历史重复特征，继续执行迭代处理；否则迭代结束。
在其中一种实施例中，重复交易标签包括重复标签和非重复标签；每种历史重复特征包括相同历史重复特征和不同历史重复特征；
第一确定子单元具体用于：
根据重复标签的数量确定多个历史交易样本的熵；
根据各种相同历史重复特征对应的重复交易标签确定各种历史重复特征的相同条件熵；
根据各种不同历史重复特征对应的重复交易标签确定各种历史重复特征的不同条件熵；
根据多个历史交易样本的熵、各种历史重复特征的相同条件熵和各种历史重复特征的不同条件熵确定多个历史交易样本中各种历史重复特征的信息增益。
在其中一种实施例中，第二确定子单元具体用于：
根据历史重复特征决策树中各个节点的历史交易样本数量确定各个节点的权重参数；
根据各个历史交易样本对应的各个节点的权重参数确定各个历史交易样本的特征重复交易概率。
综上，本发明实施例的重复交易预测系统先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
本发明实施例还提供能够实现上述实施例中的重复交易预测方法中全部步骤的一种计算机设备的具体实施方式。图19是本发明实施例中计算机设备的结构框图，参见图19，所述计算机设备具体包括如下内容：
处理器(processor)1901和存储器(memory)1902。
所述处理器1901用于调用所述存储器1902中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的重复交易预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取重复交易预测模型；
获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，预先通过以下方式获取重复交易预测模型：获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
综上，本发明实施例的计算机设备先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
本发明实施例还提供能够实现上述实施例中的重复交易预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的重复交易预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取重复交易预测模型；
获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
将当前间隔时间和多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，预先通过以下方式获取重复交易预测模型：获取多个历史交易样本，历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；根据多个重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；根据历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型。
综上，本发明实施例的计算机可读存储介质先根据历史交易样本确定间隔时间重复交易概率和特征重复交易概率，再根据间隔时间重复交易概率和特征重复交易概率生成重复交易预测模型，然后将当前间隔时间和当前重复特征输入重复交易预测模型中，获得重复交易预测结果，可以有效识别重复交易，减少重复交易带来的风险，提高用户体验。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

Claims (14)

1.一种重复交易预测方法，其特征在于，包括：
获取重复交易预测模型；
获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
将所述当前间隔时间和所述多种当前重复特征输入所述重复交易预测模型中，获得重复交易预测结果；
其中，预先通过以下方式获取所述重复交易预测模型：获取多个历史交易样本，所述历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；根据多个所述重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；根据所述历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型；
确定各个历史间隔时间的间隔时间重复交易概率包括：
根据多个所述重复交易标签确定各个历史间隔时间的初始学习结果；
执行如下迭代处理：
根据各个历史间隔时间对应的重复交易标签和初始学习结果将所述多个历史间隔时间划分至多个节点，确定每个节点的拟合残差；
根据每次历史迭代中各个节点的拟合残差和所述初始学习结果确定各个历史间隔时间的当前迭代学习结果；
当当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值均小于预设值时，迭代结束，根据各个历史间隔时间的当前迭代学习结果确定各个历史间隔时间的间隔时间重复交易概率；否则令各个历史间隔时间的当前迭代学习结果替代所述初始学习结果，继续执行迭代处理。
2.根据权利要求1所述的重复交易预测方法，其特征在于，确定每个节点的拟合残差包括：
根据各个历史间隔时间对应的重复交易标签和初始学习结果确定各个历史间隔时间的残差；
根据各个历史间隔时间的残差将所述多个历史间隔时间划分至多个节点；
根据每个节点的历史间隔时间的残差确定每个节点的拟合残差。
3.根据权利要求2所述的重复交易预测方法，其特征在于，将所述多个历史间隔时间划分至多个节点包括：
执行如下迭代处理：
确定总节点下各个划分点的总平方损失；
将所述总平方损失的最小值对应的划分点作为最佳划分点；
按照所述最佳划分点将所述多个历史间隔时间划分至各个节点，判断每个节点的历史间隔时间对应的重复交易标签是否相同；
当所述重复交易标签相同时，迭代结束；否则将各个节点替代所述总节点，继续执行迭代处理。
4.根据权利要求1所述的重复交易预测方法，其特征在于，确定历史重复特征决策树包括：
执行如下迭代处理：
根据多个所述重复交易标签确定所述多个历史交易样本中各种历史重复特征的信息增益；
将所述信息增益的最大值对应的历史重复特征作为历史重复特征决策树的根节点；
根据该历史重复特征将所述多个历史交易样本划分至所述根节点下的节点，将重复交易标签相同的节点作为叶节点；当存在重复交易标签不相同的节点时，将该节点作为子节点，令该子节点替代所述根节点、该子节点的历史交易样本替代所述多个历史交易样本以及剩余历史重复特征替代所述各种历史重复特征，继续执行迭代处理；否则迭代结束。
5.根据权利要求4所述的重复交易预测方法，其特征在于，所述重复交易标签包括重复标签和非重复标签；每种历史重复特征包括相同历史重复特征和不同历史重复特征；
确定所述多个历史交易样本中各种历史重复特征的信息增益包括：
根据重复标签的数量确定所述多个历史交易样本的熵；
根据各种相同历史重复特征对应的重复交易标签确定各种历史重复特征的相同条件熵；
根据各种不同历史重复特征对应的重复交易标签确定各种历史重复特征的不同条件熵；
根据所述多个历史交易样本的熵、各种历史重复特征的相同条件熵和各种历史重复特征的不同条件熵确定所述多个历史交易样本中各种历史重复特征的信息增益。
6.根据权利要求1所述的重复交易预测方法，其特征在于，确定各个历史交易样本的特征重复交易概率包括：
根据所述历史重复特征决策树中各个节点的历史交易样本数量确定各个节点的权重参数；
根据各个历史交易样本对应的各个节点的权重参数确定各个历史交易样本的特征重复交易概率。
7.一种重复交易预测系统，其特征在于，包括：
模型获取单元，用于获取重复交易预测模型；
数据获取单元，用于获取当前交易与上一笔交易的当前间隔时间和多种当前重复特征；
预测结果单元，用于将所述当前间隔时间和所述多种当前重复特征输入重复交易预测模型中，获得重复交易预测结果；
其中，所述模型获取单元包括：
获取子单元，用于获取多个历史交易样本，所述历史交易样本包括历史间隔时间、重复交易标签和多种历史重复特征；
第一确定子单元，用于根据多个所述重复交易标签确定各个历史间隔时间的间隔时间重复交易概率和历史重复特征决策树；
第二确定子单元，用于根据所述历史重复特征决策树中各个节点的历史交易样本数量确定各个历史交易样本的特征重复交易概率；
模型生成子单元，用于根据各个间隔时间重复交易概率和各个特征重复交易概率生成重复交易预测模型；
所述第一确定子单元具体用于：
根据多个所述重复交易标签确定各个历史间隔时间的初始学习结果；
执行如下迭代处理：
根据各个历史间隔时间对应的重复交易标签和初始学习结果将所述多个历史间隔时间划分至多个节点，确定每个节点的拟合残差；
根据每次历史迭代中各个节点的拟合残差和所述初始学习结果确定各个历史间隔时间的当前迭代学习结果；
当当前迭代中各个节点的拟合残差与上一次迭代中对应节点的拟合残差的差值绝对值均小于预设值时，迭代结束，根据各个历史间隔时间的当前迭代学习结果确定各个历史间隔时间的间隔时间重复交易概率；否则令各个历史间隔时间的当前迭代学习结果替代所述初始学习结果，继续执行迭代处理。
8.根据权利要求7所述的重复交易预测系统，其特征在于，所述第一确定子单元具体用于：
根据各个历史间隔时间对应的重复交易标签和初始学习结果确定各个历史间隔时间的残差；
根据各个历史间隔时间的残差将所述多个历史间隔时间划分至多个节点；
根据每个节点的历史间隔时间的残差确定每个节点的拟合残差。
9.根据权利要求8所述的重复交易预测系统，其特征在于，所述第一确定子单元具体用于：
执行如下迭代处理：
确定总节点下各个划分点的总平方损失；
将所述总平方损失的最小值对应的划分点作为最佳划分点；
按照所述最佳划分点将所述多个历史间隔时间划分至各个节点，判断每个节点的历史间隔时间对应的重复交易标签是否相同；
当所述重复交易标签相同时，迭代结束；否则将各个节点替代所述总节点，继续执行迭代处理。
10.根据权利要求7所述的重复交易预测系统，其特征在于，所述第一确定子单元具体用于：
执行如下迭代处理：
根据多个所述重复交易标签确定所述多个历史交易样本中各种历史重复特征的信息增益；
将所述信息增益的最大值对应的历史重复特征作为历史重复特征决策树的根节点；
根据该历史重复特征将所述多个历史交易样本划分至所述根节点下的节点，将重复交易标签相同的节点作为叶节点；当存在重复交易标签不相同的节点时，将该节点作为子节点，令该子节点替代所述根节点、该子节点的历史交易样本替代所述多个历史交易样本以及剩余历史重复特征替代所述各种历史重复特征，继续执行迭代处理；否则迭代结束。
11.根据权利要求10所述的重复交易预测系统，其特征在于，所述重复交易标签包括重复标签和非重复标签；每种历史重复特征包括相同历史重复特征和不同历史重复特征；
所述第一确定子单元具体用于：
根据重复标签的数量确定所述多个历史交易样本的熵；
根据各种相同历史重复特征对应的重复交易标签确定各种历史重复特征的相同条件熵；
根据各种不同历史重复特征对应的重复交易标签确定各种历史重复特征的不同条件熵；
根据所述多个历史交易样本的熵、各种历史重复特征的相同条件熵和各种历史重复特征的不同条件熵确定所述多个历史交易样本中各种历史重复特征的信息增益。
12.根据权利要求7所述的重复交易预测系统，其特征在于，所述第二确定子单元具体用于：
根据所述历史重复特征决策树中各个节点的历史交易样本数量确定各个节点的权重参数；
根据各个历史交易样本对应的各个节点的权重参数确定各个历史交易样本的特征重复交易概率。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的重复交易预测方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的重复交易预测方法的步骤。
CN202010189943.9A 2020-03-18 2020-03-18 重复交易预测方法及系统 Active CN111429277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189943.9A CN111429277B (zh) 2020-03-18 2020-03-18 重复交易预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189943.9A CN111429277B (zh) 2020-03-18 2020-03-18 重复交易预测方法及系统

Publications (2)

Publication Number Publication Date
CN111429277A CN111429277A (zh) 2020-07-17
CN111429277B true CN111429277B (zh) 2023-11-24

Family

ID=71553646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189943.9A Active CN111429277B (zh) 2020-03-18 2020-03-18 重复交易预测方法及系统

Country Status (1)

Country Link
CN (1) CN111429277B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516555A (zh) * 2021-04-26 2021-10-19 中国工商银行股份有限公司 重复业务交易检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544166A (zh) * 2018-11-05 2019-03-29 阿里巴巴集团控股有限公司 一种风险识别方法和装置
CN109583904A (zh) * 2018-11-30 2019-04-05 深圳市腾讯计算机系统有限公司 异常操作检测模型的训练方法、异常操作检测方法及装置
CN110135856A (zh) * 2019-05-16 2019-08-16 中国银联股份有限公司 一种重复交易风险监测方法、装置及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180350006A1 (en) * 2017-06-02 2018-12-06 Visa International Service Association System, Method, and Apparatus for Self-Adaptive Scoring to Detect Misuse or Abuse of Commercial Cards

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544166A (zh) * 2018-11-05 2019-03-29 阿里巴巴集团控股有限公司 一种风险识别方法和装置
CN109583904A (zh) * 2018-11-30 2019-04-05 深圳市腾讯计算机系统有限公司 异常操作检测模型的训练方法、异常操作检测方法及装置
CN110135856A (zh) * 2019-05-16 2019-08-16 中国银联股份有限公司 一种重复交易风险监测方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111429277A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
JP7059370B2 (ja) ブロックチェーン上の大量トランザクション性能を最適化するための方法、装置、コンピュータ・プログラムおよびコンピュータ・プログラムを記録したコンピュータ可読記憶媒体
US8326760B2 (en) Computer-based collective intelligence recommendations for transaction review
CN103748579B (zh) 在映射化简框架中处理数据
CN111667267A (zh) 一种区块链交易风险识别方法及装置
CN111126045A (zh) 一种文本纠错方法和装置
CN111695938B (zh) 产品推送方法及系统
CN111429277B (zh) 重复交易预测方法及系统
CN108734510B (zh) 基于属性匹配的广告推荐方法及系统
CN113538154A (zh) 风险对象的识别方法、装置、存储介质和电子设备
CN110598007B (zh) 账单文件处理方法、装置、介质及电子设备
Niazi et al. Role of requirements engineering in software development process: an empirical study
US20120330928A1 (en) Method and Apparatus for Generating a Fused View of One or More People
CN114327493A (zh) 数据处理方法及装置、电子设备、计算机可读介质
CN111709825B (zh) 异常产品识别方法及系统
US9438705B2 (en) Communication and message-efficient protocol for computing the intersection between different sets of data
CN111310453B (zh) 一种基于深度学习的用户主题向量化表示方法和系统
CN110690987B (zh) 账号信息管理方法、装置及设备
US20220171749A1 (en) System and Process for Data Enrichment
CN109697224B (zh) 一种账单消息处理方法、装置和存储介质
CN112016321B (zh) 用于邮件处理的方法、电子设备和存储介质
CN115526315A (zh) 评分卡模型的生成方法和装置
CN112348041A (zh) 日志分类、日志分类训练方法及装置、设备、存储介质
CN111400678A (zh) 一种用户检测方法及装置
CN117522467A (zh) 数据处理方法、装置、设备及存储介质
CN115238065B (zh) 一种基于联邦学习的公文智能推荐方法

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