CN111539741B - 识别操作风险的方法、系统和非暂时性存储介质 - Google Patents
识别操作风险的方法、系统和非暂时性存储介质 Download PDFInfo
- Publication number
- CN111539741B CN111539741B CN202010410992.0A CN202010410992A CN111539741B CN 111539741 B CN111539741 B CN 111539741B CN 202010410992 A CN202010410992 A CN 202010410992A CN 111539741 B CN111539741 B CN 111539741B
- Authority
- CN
- China
- Prior art keywords
- risk
- target operation
- category
- target
- risk category
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06Q20/407—Cancellation of a transaction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供的识别操作风险的方法、系统和非暂时性存储介质,通过对目标用户的目标操作进行询问,获取目标用户的应答,从而获取关于目标操作更多的信息,每轮应答结束后,将目标用户的应答输入风险类别识别模型,对目标操作的风险类别进行判断,一旦识别出目标操作的风险类别,便提前结束对话,并向目标用户发送关于风险类别的提醒,以帮助目标用户识别当前目标操作的风险;若没有识别出目标操作的风险类别,则进行追问管理计算,继续对目标用户进行追问,直至识别出目标操作的风险类别。所述方法和系统能够代替人工客服,有效识别出风险类别,保障用户利益,同时还可以保障用户体验、提升对话效能。
Description
技术领域
本说明书涉及互联网技术领域,尤其涉及一种识别操作风险的方法、系统和非暂时性存储介质。
背景技术
随着信息技术和互联网技术的快速发展,网络交易给人们的生活、工作带来了极大的便利。但是,网络交易方便人们的生活,同时也催生了一种产业:电信诈骗。骗子通过网络可以欺骗全国各地的用户,谋取非法利益。为保护用户的利益,通常交易系统会在交易过程中对交易行为进行风险识别,即通过交易系统的风控系统识别用户的交易是否存在欺诈风险,对存在欺诈风险的交易进行风险提示,甚至阻断交易。但有时用户处在骗局中深度被骗,风控系统单方面的风险提示无法将用户从骗局中唤醒,如果不能向用户解释对应的风险类别,用户可能会想方设法继续交易。
因此,需要一种能有效自动识别用户当前在系统上所做操作(比如交易操作)的操作风险,并且向用户披露风险类别的识别操作风险的方法、系统和非暂时性存储介质。
发明内容
本说明书提供一种能有效自动识别用户当前在系统上所做操作(比如交易操作)的操作风险,并且向用户披露风险类别的识别操作风险的方法、系统和非暂时性存储介质。
第一方面,本说明书提供一种识别操作风险的方法,包括:接收目标用户的目标操作;向所述目标用户发送关于所述目标操作的询问,并获取所述目标用户的应答;将所述应答输入风险类别识别模型,得到所述目标操作的风险结果,判定所述目标操作的风险类别;基于所述风险类别,对所述目标操作进行风险决策。
在一些实施例中,所述风险结果包括所述目标操作的风险类别和所述风险类别对应的风险值。
在一些实施例中,所述判定所述目标操作的风险类别,包括:当所述目标操作的风险值小于第一阈值时,判定所述目标操作为无风险类别,对所述目标操作进行风险决策包括:当所述目标操作为无风险类别时,向所述目标用户发送所述目标操作可以继续的提示。
在一些实施例中,所述判定所述目标操作的风险类别,包括:当所述目标操作的风险值大于第二阈值时,判定所述目标操作为所述风险值对应的风险类别,对所述目标操作进行风险决策包括:当所述目标操作为所述风险值对应的风险类别时,向所述目标用户发送所述目标操作的风险类别提示,并阻断所述目标操作。
在一些实施例中,所述判定所述目标操作的风险类别,包括:当所述目标操作的风险值在所述第一阈值和第二阈值之间时,判定所述目标操作为无法判定风险类别,对所述目标操作进行风险决策包括:当所述目标操作为无法判定风险类别时,对所述目标操作进行追问管理。
在一些实施例中,所述对所述目标操作进行追问管理,包括:将所述应答输入追问管理模型,生成追问询问;向所述目标用户发送所述追问询问,并获取所述目标用户的追问应答,所述询问包括所述追问询问,所述应答包括所述追问应答;将所述追问应答输入所述风险类别识别模型,得到所述目标操作当前时刻的风险结果,判定所述目标操作的风险类别;基于所述风险类别,对所述目标操作进行风险决策。
在一些实施例中,所述将所述应答输入追问管理模型,生成追问询问,包括:将所述目标用户的应答输入所述追问管理模型,获取预设的语义槽组中的至少一个语义槽对应的标签;基于所述标签和所述预设的语义槽组中未填充的语义槽,生成追问询问。
在一些实施例中,所述目标操作是交易操作,所述预设的语义槽组包括:交易双方的关系;交易的形式;和交易的目的。
第二方面,本说明书提供一种识别操作风险的系统,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质包括至少一个指令集,用于识别操作风险;所述至少一个处理器同所述至少一个存储介质通讯连接,其中,当所述系统运行时,所述至少一个处理器读取所述至少一个指令集,并且根据所述至少一个指令集的指示执行本说明书所述的识别操作风险的方法。
第三方面,本说明书提供一种非暂时性存储介质,存储有至少一个指令集用于操作风险,当所述至少一个指令集被处理器执行时,所述处理器根据所述至少一个指令集实施本说明书所述的识别操作风险的方法。
由以上技术方案可知,本说明书提供的识别操作风险的方法和系统,通过对目标用户的目标操作进行询问,获取目标用户的应答,从而获取关于目标操作更多的信息,根据目标用户的应答对目标操作的风险类别进行判断,并向目标用户发送关于风险类别的提醒,以帮助目标用户识别当前目标操作的风险。所述方法和系统,在每轮应答结束后都通过风险类别识别模型进行风险类别识别计算,来提高风险识别的效率,一旦识别出目标操作的风险类别,便提前结束对话;若没有识别出目标操作的风险类别,则进行追问管理计算,继续对目标用户进行追问,直至识别出目标操作的风险类别。
所述方法和系统能够代替人工客服,提高识别风险类别的效率,保障用户利益,同时还可以保障用户体验、提升对话效能。
本说明书提供的识别操作风险的方法和系统的其他功能将在以下说明中部分列出。根据描述,以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的识别操作风险的方法、系统和存储介质的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例,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示出了根据本说明书的实施例提供的一种识别操作风险的系统的应用场景示意图;
图2示出了根据本说明书的实施例提供的一种识别操作风险的设备示意图;
图3示出了根据本说明书的实施例提供的一种识别操作风险的方法流程图;以及
图4示出了根据本说明书的实施例提供的一种服务器与目标用户语音交流的示意图。
具体实施方式
以下描述提供了本说明书的特定应用场景和要求,目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说,对所公开的实施例的各种局部修改是显而易见的,并且在不脱离本说明书的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用。因此,本说明书不限于所示的实施例,而是与权利要求一致的最宽范围。
这里使用的术语仅用于描述特定示例实施例的目的,而不是限制性的。比如,除非上下文另有明确说明,这里所使用的,单数形式“一”,“一个”和“该”也可以包括复数形式。当在本说明书中使用时,术语“包括”、“包含”和/或“含有”意思是指所关联的整数,步骤、操作、元素和/或组件存在,但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该系统/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
考虑到以下描述,本说明书的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图,所有这些形成本说明书的一部分。然而,应该清楚地理解,附图仅用于说明和描述的目的,并不旨在限制本说明书的范围。还应理解,附图未按比例绘制。
本说明书中使用的流程图示出了根据本说明书中的一些实施例的系统实现的操作。应该清楚地理解,流程图的操作可以不按顺序实现。相反,操作可以以反转顺序或同时实现。此外,可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
随着信息技术和互联网技术的快速发展,越来越多的用户选择在网络上进行交易。因此,如何有效地防止交易欺诈的发生对于支付类产品来说尤为重要。骗子为了牟取利益,利用网络搜集受害者的一些信息,并利用这些信息对受害者进行欺诈,诱导受害者转钱到指定的账户或银行卡上面。例如,骗子通过在聊天工具上使用某些话术和套路,让受害者误以为真,而自愿将资金转移,或者透露账号安全信息(例如,验证码,交易密码,等等)给骗子,从而使受害者蒙受损失。比如,骗子诱骗很多的普通消费者向其转账,但是却不向这些消费者返还相应的回报,以此进行牟利。现有技术中通常通过静态数据进行风险识别。例如,基于交易设备、交易环境、收款账号等数据进行风险概率判断。当判断出当前交易存在风险时,由支付系统对受害者进行风险提示,或者直接阻断交易。但是,通过静态数据很难判断风险交易的具体欺诈手法或风险交易的风险类别,同时,部分通过静态数据判断高危的交易行为可能是用户的正常交易,在不确定用户是否真的被骗、被骗的具体手法时,直接阻断交易会给用户带来不好的体验。为了识别具体的风险类别,通常采用人工客服与受害者交互的方式进行判断,但人工客服交互的方式受到成本和人员管理能力限制,无法批量进行风险确认,而且无法保证所有服务人员质量。
因此,需要一种更高效、更智能的识别操作风险的方法。本说明书提供的识别操作风险的方法和系统,在系统识别出当前操作存在风险的情况下,通过人工智能代替人工客服进对受害者进行询问,掌握更多关于交易的信息,从而识别出具体的风险类别。本说明书提供的识别操作风险的方法和系统,不仅可以用于识别交易操作的风险类别,还可以应用于其他操作的风险识别的场景,例如信用欺骗风险类别识别场景,骗子伪造身份信息及信用信息进行贷款,又比如保险欺诈风险类别识别场景,骗子伪造身份资料骗保。为了便于描述,下面将以交易操作风险识别为例进行描述。
为了方便描述本说明书提供的识别操作风险的方法和系统,首先,对目前常见的操作风险类别作如下解释:
刷单风险:卖家为了提高销量,付款请人假扮顾客,用以假乱真的购物方式提高网店的排名和销量获取销量及好评吸引顾客。刷单一般是由买家提供购买费用,卖家以高于购买费用的价格返还给买家,高出的费用作为买家刷单佣金。刷单风险是指骗子利用用户想要刷单赚取佣金的想法,引诱用户购买虚假产品进行刷单,却不返还用户购买费用,以此牟取利益。
贷款风险:骗子利用帮受害者办理贷款的名义,骗取受害者的包装费、手续费,等等。
理财风险:骗子利用高额的利息引诱受害者进行投资,在受害者第一次投资后,骗子向用户返还高额盈利,以骗取受害者更多的投入,从而将受害者的成本骗走。
伪装身份交易风险:冒充公检法、领导或亲友让用户进行大额转账。
事实上,风险交易的类别多种多样,本说明书在此不进行一一列举。
为了便于理解,在描述本说明书提供的识别操作风险的方法和系统前,对本说明中将会提到的技术术语做如下解释:
ASR(Automatic Speech Recognition):自动语音识别技术,一种可以将语音转换为文本的技术。
TTS(Text To Speech):文本转语音技术,一种可以将文本转换为语音的技术。
NLU(Natural Language Understanding):自然语言理解,是使用自然语言同计算机进行通讯的技术,可以将文本转译成计算机能理解的语言。
NLG(Natural language generation):自然语言生成,将非语言形式的数据(例如,计算机数据)转译成人类可以理解的文本形式。
语义槽:语义槽即从用户的语言中提取的关键字,如“我要去上海”,语义槽就是“地址”,取值为“上海”。
多轮对话:相较于单轮对话,多轮对话是指对话过程大于一轮的人机交互方式。
任务导向:多轮对话系统中的一种问答方式,任务导向型即带有具体的目的去展开本轮问答,伴随着会有具体的语义槽需要通过追问不断填充。
DST(Dialogue State Tracker):对话状态跟踪技术,记录过程对话数据,基于此判断风险类别及风险概率。
Policy(Dialogue policy learning):对话策略学习,根据目前计算结果,判断风险类别,如无法判断,需要继续追问那些待扩充语意槽,并推荐下一步追问问题。
图1示出了一种识别操作风险的系统100的应用场景示意图。系统100可以包括服务器200、客户端300、网络120以及数据库150。
服务器200可以存储有执行本说明书描述的识别操作风险的方法的数据或指令,并可以执行或用于执行所述数据和/或指令。
目标用户110可以是使用支付系统进行支付的用户。客户端300可以是目标用户110进行支付交易的请求设备。比如,客户端300可以是载有目标应用(目标APP)的智能设备。客户端300可以与服务器200通讯连接。在一些实施例中,客户端300可以安装有一个或多个应用(APP)。所述APP能够为目标用户110提供通过网络120同外界交互的能力以及界面。所述APP包括但不限于:聊天类APP程序、购物类APP程序、视频类APP程序、理财类APP程序等等,例如支付宝TM、淘宝TM、京东TM和/或银行等金融服务机构、理财产品等APP程序。所述目标APP是指与服务器200相对应的可以提供在线交易或支付的客户端APP,例如,支付宝TM或各个银行类APP程序,等等。例如,当服务器200是中国银行系统时,所述目标APP是中国银行客户端APP,当服务器200是支付宝TM系统时,所述目标APP是支付宝TM客户端APP。在一些实施例中,目标设备300可以包括移动设备300-1、平板电脑300-2、笔记本电脑300-3、机动车辆300-4的内置设备或类似内容,或其任意组合。在一些实施例中,移动设备300-1可包括智能家居设备、智能移动设备或类似设备,或其任意组合。在一些实施例中,所述智能家居装置可包括智能电视、台式电脑等,或任意组合。在一些实施例中,所述智能移动设备可包括智能手机、个人数字辅助等,或其任意组合。在一些实施例中,目标设备300可以是具有定位技术的设备,用于定位目标设备300的位置。
网络120可以促进信息和/或数据的交换。如图1所示,客户端300、服务器200、数据库150可以同网络120连接,并且通过网络120互相传输信息和/或数据。例如,服务器200可以通过网络120从客户端300获取服务请求。在一些实施例中,网络120可以是任何类型的有线或无线网络,也可以是其组合。比如,网络120可以包括电缆网络,有线网络、光纤网络、电信通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、大都市市区网(MAN)、广域网(WAN)、公用电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络或类似网络。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2,...,通过该接入点,客户端300、服务器200、数据库150的一个或多个组件可以连接到网络120以交换数据和/或信息。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从客户端300获得的数据。在一些实施例中,数据库150可以存储用于执行本说明书中描述的识别操作风险的方法的数据和/或指令。在一些实施例中,数据库150可以存储目标用户110的交易行为和交易数据。在一些实施例中,数据库150可以存储历史识别操作风险的对话内容。在一些实施例中,数据库150可以存储操作风险的所有类别数据。服务器200和客户端300可能具有访问数据库150的权限,服务器200和客户端300可以通过网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到服务器200和客户端300。在一些实施例中,数据库150可以是服务器200的一部分。在一些实施例中,数据库150可以包括大容量存储、可移动存储、易失性读写存储器、只读存储器(ROM)或类似内容,或其任意组合。示例性大容量存储可能包括磁盘、光盘、固态驱动器等非暂时性存储介质(non-transitory storage medium)。示例可移动存储可能包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。典型的易失性读写内存可能包括随机存取存储器(RAM)。示例RAM可能包括动态RAM(DRAM)、双日期速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性ROM可包括掩码ROM(MROM)、可编程ROM(PROM)、可虚拟可编程ROM(PEROM)、电子可编程ROM(EEPROM)、光盘(CD-ROM)和数字多功能磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅举例,云平台可能包括私有云、公共云、混合云、社区云、分布式云、云间云或类似,或其任意组合。
如图1所示,目标用户110在客户端300上进行目标操作。比如,所述目标操作可以是目标用户110在客户端300上进行的交易行为。所述目标操作通过网络120传输给服务器200;服务器200通过风险识别判断所述目标操作存在欺诈风险;服务器200执行存储在服务器200内置存储器和/或数据库150中的识别操作风险的方法的指令,向目标用户110询问关于目标操作的信息,识别出目标操作的风险类别,并提示目标用户110所述交易行为的风险类别,并对所述目标操作进行风险管控。
图2示出了一种识别操作风险的设备示意图。所述设备可以是服务器200,也可以是客户端300。下面的介绍中以服务器200为例介绍所述设备。
服务器200可以执行本说明书描述的识别操作风险的方法。所述识别操作风险的方法在本说明书中的其他部分介绍。比如,在图3和图4的描述中介绍了所述识别操作风险的方法P100。
如图2所示,服务器200包括至少一个存储介质230和至少一个处理器220。在一些实施例中,服务器200还可以包括通信端口250和内部通信总线210。同时,服务器200还可以包括I/O组件260。
内部通信总线210可以连接不同的系统组件,包括存储介质230和处理器220。
I/O组件260支持服务器200和其他组件之间的输入/输出。
存储介质230可以包括数据存储装置。所述数据存储装置可以是非暂时性存储介质,也可以是暂时性存储介质。比如,所述数据存储装置可以包括磁盘232、只读存储介质(ROM)234或随机存取存储介质(RAM)236中的一种或多种。存储介质230还包括存储在所述数据存储装置中的至少一个指令集。所述指令是计算机程序代码,所述计算机程序代码可以包括执行本说明书提供的识别操作风险的方法的程序、例程、对象、组件、数据结构、过程、模块等等。
通信端口250用于服务器200同外界的数据通讯。比如,服务器200可以通过通信端口250连接网络120,接收目标用户110在所述目标APP(例如支付宝TMAPP)上的交易请求,进而通过通信端口250对目标用户110基于多轮对话进行识别欺诈。
至少一个处理器220同至少一个存储介质230通过内部通信总线210通讯连接。至少一个处理器220用以执行上述至少一个指令集。当系统100运行时,至少一个处理器220读取所述至少一个指令集,并且根据所述至少一个指令集的指示执行本说明书提供的识别操作风险的方法P100。处理器220可以执行识别操作风险的方法P100包含的所有步骤。处理器220可以是一个或多个处理器的形式,在一些实施例中,处理器220可以包括一个或多个硬件处理器,例如微控制器,微处理器,精简指令集计算机(RISC),专用集成电路(ASIC),特定于应用的指令集处理器(ASIP),中央处理单元(CPU),图形处理单元(GPU),物理处理单元(PPU),微控制器单元,数字信号处理器(DSP),现场可编程门阵列(FPGA),高级RISC机器(ARM),可编程逻辑器件(PLD),能够执行一个或多个功能的任何电路或处理器等,或其任何组合。仅仅为了说明问题,在本说明书中服务器200中仅描述了一个处理器220。然而,应当注意,本说明书中服务器200还可以包括多个处理器,因此,本说明书中披露的操作和/或方法步骤可以如本说明书所述的由一个处理器执行,也可以由多个处理器联合执行。例如,如果在本说明书中服务器200的处理器220执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同处理器220联合或分开执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一和第二处理器共同执行步骤A和B)。
虽然上述结构描述的是服务器200,此结构也适用于客户端300。
图3示出了一种识别操作风险的方法P100的流程图。如前所述,服务器200可以执行本说明书提供的识别操作风险的方法P100。具体地,服务器200中的处理器220可以读取存储在其本地存储介质和/或数据库150中的指令集,然后根据所述指令集的规定,执行本说明书提供的识别操作风险的方法P100。所述方法P100可以包括通过至少一个处理器220执行下述步骤:
S200:接收目标用户110的目标操作。
目标用户110可以是客户端300的使用者。为了方便理解,以下的描述中以支付宝TM客户端APP和支付宝TM系统服务器200为例进行说明。所述目标操作可以是目标用户110的在线交易操作也可以是目标用户110的其他在线操作,比如转账、汇款、注册账号和提供敏感信息等等。例如,目标用户110可以通过支付宝TM客户端APP进行网络在线购买交易,或者目标用户110通过支付宝TM客户端APP扫描二维码进行支付行为,或者目标用户110通过支付宝TM客户端APP通过输入账号进行转账,等等。在一些实施例中,所述目标操作可以是任何通过支付宝TM系统进行的操作。所述目标操作也可以是经支付宝TM系统服务器200初步判断为存在风险的行为。在经过初步判断的情况下,支付宝TM系统服务器200可以将目标用户110在进行所述目标操作前的历史时间窗口内的操作行为数据和属性数据以及所述目标操作的交易数据作为风险分析的样本,并对所述样本进行风险分析计算,得到所述目标操作存在风险的概率;当所述目标操作存在风险的概率超过风险概率阈值时,则初步判定所述目标操作为存在风险的行为。支付宝TM系统服务器200在对所述目标操作行为风险分析计算时,还可以将收款方的历史操作行为及数据作为所述风险分析样本的一部分。
S400:向目标用户110发送关于所述目标操作的询问,并获取目标用户110的应答。
当所述目标操作存在风险时,为了使目标用户110察觉到交易的风险,需要获取关于所述目标操作更多的信息,以帮助支付宝TM系统服务器200对所述目标操作的风险类别进行判断,从而向目标用户110揭露所述目标操作的风险手法。为了获取关于所述目标操作更多的信息,支付宝TM系统服务器200可以通过与目标用户110进行多轮对话的方式来对目标用户110进行询问,并获取目标用户110的应答,进而根据目标用户110的应答来识别所述目标操作的风险类别。
需要说明的是,在本说明书提供的识别操作风险的方法P100和系统100中,所述询问的方式可以以文字形式向目标用户110呈现,也可以是语音的形式向目标用户110呈现。当然,也可以是文字加语音的方式向目标用户110呈现。所述语音的方式可以是支付宝TM系统服务器200向目标用户110拨打机器合成的语音电话,也可以是支付宝TM系统服务器200通过安装在客户端300上的支付宝TMAPP向目标用户110发送机器合成的语音信息。为了便于展示,下面的介绍中将重点描述以语音方式向目标用户110呈现。
图4示出了根据本说明书的实施例提供的一种服务器200与目标用户110语音交流的示意图。图4中的服务器200以支付宝TM系统服务器200为例进行说明。为了使支付宝TM系统服务器200与目标用户110之间可以通过语音的方式进行对话交流,支付宝TM系统服务器200需要使用语音识别(ASR)模型280和文本转语音(TTS)模型282以及自然语言理解(NLU)模型284和自然语音生成(NLG)模型286来处理目标用户110和支付宝TM系统服务器200对话的语音文件。如图4所示,支付宝TM系统服务器200首先向目标用户110发送第一轮询问,具体地,支付宝TM系统服务器200从存储在数据库150或支付宝TM系统服务器200中的话术库202中选取出预设的第一轮询问的问题,此时第一轮询问的问题为机器语言的形式,支付宝TM系统服务器200通过NLG模型286将第一轮询问的问题的机器语言转换为目标用户110可以理解的语言文本,再通过TTS模型282将第一轮询问的问题文本转化为语音向目标用户110发送;然后,目标用户110针对第一轮询问的问题进行第一轮语音应答,支付宝TM系统服务器200接收目标用户110的第一轮语音应答,并通过ASR模型280将第一轮语音应答转化为第一轮文本应答,此时所述第一轮文本应答为目标用户110可以理解的自然语言的形式,支付宝TM系统服务器200再通过NLU模型284将所述第一轮文本应答转化为机器语言的形式,并输入风险类别识别模型290,从而进行后续的风险类别识别和追问管理计算,所述风险类别识别和追问管理计算将在后续的描述中详细解释。比如,如图4中所示,服务器200通过客户端300向目标用户110发出的第一轮询问的问题是“请问您在给谁转账?”,用户110通过客户端300做的第一轮的应答是“我在转账给我的父亲买东西。”
所述询问和所述应答构成多轮对话。需要说明的是,为了提高风险类别识别的效率,所述多轮对话是任务导向型多轮对话,即带有具体的目的去展开本轮问答。也就是说,服务器200会以如何识别出具体的风险类别为目标来决定询问内容是什么。为了提高风险类别识别的效率,所述询问可以是关于各个类别的风险对应的关键特征,例如,“您是在购买虚拟产品吗?”,如果目标用户110的回答是肯定的,则贷款风险的概率将会增加。
支付宝TM系统服务器200通过向目标用户110发送询问并获取目标用户110的应答,可以获取关于所述目标操作更多的信息,这些信息不容易从目标用户110的历史操作行为中得到,而且,这些信息对于识别所述目标操作的风险类别是十分有利的。因此,通过人机交互的交流对话方式可以提高风险类别识别的准确率,保障用户的利益。
S600:将所述应答输入风险类别识别模型290,得到所述目标操作的风险结果,判定所述目标操作的风险类别。
为了识别出所述目标操作的风险类别,需要将目标用户110的应答输入风险类别识别模型290,进行风险类别分析计算,得到所述目标操作的风险结果。风险类别识别模型290是基于大量的风险类别识别的历史对话以及历史操作对应的风险类别训练得到的。所述历史对话可以是以往的人工客服和用户的对话,也可以是以往的人工智能与用户的对话。风险类别识别模型290的建立使用了对话状态跟踪技术(DST),记录对话跟踪的数据,即目标用户110的应答,基于所述应答,得到风险类别的概率。在一些实施例中,风险类别识别模型290可以对输入风险类别识别模型290的应答进行语义分析,得到所述应答对应的关键词。一个应答可以对应的一个关键词,也可以对应多个关键词。对于不同的关键词,支付宝TM系统服务器200中对应有不同的分值,基于所述关键词的分值,对所述目标操作进行风险类别分析计算,得到风险类别的概率。
所述风险结果可以包括所述目标操作的风险类别和所述风险类别对应的风险值。将目标用户110的应答输入风险类别识别模型290中进行风险类别分析计算后,可以得到风险类别向量。所述风险类别向量中的元素可以映射到数据库150中不同的风险类别。所述风险类别向量中每个元素的值代表与之对应的风险类别出现的概率。在对所述目标操作进行风险类别判定时,一般选取概率最高的风险类别作为所述目标操作的类别判定。因此,服务器200可以从所述风险类别向量中选取概率最高的风险类别以及对应的风险概率作为所述目标操作的风险结果。所述风险结果中的风险类别可以是所述风险类别向量中概率最高的元素对应的风险类别,所述风险值可以是所述风险类别向量中概率最高的元素值。基于所述风险结果,可以判定所述目标操作的风险类别。
如前所述,支付宝TM系统服务器200可以与目标用户110进行多轮对话。为了提高风险类别识别的效率,可以在每轮对话后,将目标用户110每轮的应答内容输入风险类别识别模型290进行风险类别分析计算,新一轮的风险结果可以覆盖上一轮的风险结果,根据每一轮得到的风险结果重新判定所述目标操作的风险类别,一旦识别出所述目标操作对应的风险类别,便提早结束对话,不需要在问完所有的问话后再进行风险类别判定,因此,提高了风险类别识别的效率。
步骤S600中对所述目标操作的风险类别的判定可以包括以下三种情况。
S620:当所述目标操作的风险值小于第一阈值时,判定所述目标操作属于无风险类别。如前所述,所述目标操作的风险值是风险类别向量中概率最高的风险类别对应的概率值。当所述目标操作的风险值小于第一阈值时,说明所述风险值对应的风险类别出现的概率较低,其余风险类别出现的概率则更低,因此,支付宝TM系统服务器200判定所述目标操作为无风险类别。所述第一阈值可以是以历史对话内容以及历史操作中各种风险类别出现的数量为样本,通过训练得到的。或者,所述第一阈值也可以是调试人员根据经验得到的。
S640:当所述目标操作的风险值大于第二阈值时,判定所述目标操作属于所述风险值对应的风险类别,所述第二阈值大于第一阈值。如前所述,所述目标操作的风险值是风险类别向量中概率最高的风险类别出现的概率。当所述目标操作的风险值大于第二阈值时,证明所述风险值对应的风险类别出现的概率较高,且高于其余风险类别,因此,支付宝TM系统服务器200判定所述目标操作为所述风险值对应的风险类别。所述第二阈值可以是以历史对话内容以及历史操作中各种风险类别出现的数量为样本,通过训练得到的。或者,所述第二阈值也可以是调试人员根据经验得到的。
S660:当所述目标操作的风险值在所述第一阈值和第二阈值之间时,判定所述目标操作属于无法判定风险类别。当所述目标操作的风险值在所述第一阈值和第二阈值之间时,支付宝TM系统服务器200无法准确判断所述目标操作的风险类别。所述目标操作的风险值大于所述第一阈值,说明所述目标操作存在风险。但所述目标操作的风险值小于所述第二阈值,所述风险值对应的风险类别的概率不够高,不足以确认所述目标操作的风险类别,因此判定所述目标操作为无法判定风险类别。
S800:基于所述风险类别,对所述目标操作进行风险决策。所述目标操作的风险类别不同时,所采用的风险决策也不相同。步骤S800中对所述目标操作进行风险决策可以包括以下三种情况。
S820:当所述目标操作属于无风险类别时,向目标用户110发送所述目标操作可以继续的提示。当所述目标操作为无风险类别时,支付宝TM系统服务器200可以向目标用户110发送语音,提示目标用户110可以继续执行所述目标操作,并礼貌挂机,提前结束对话,提高风险类别识别的效率。例如,当目标用户110回答“我在给我的转账父亲买东西”时,风险类别识别模型290对目标用户110的回答进行语义分析,并提取出关键词“父亲”、“买东西”,风险类别识别模型290计算的风险结果中的风险值低于所述第一阈值,因此,支付宝TM系统服务器200判定所述目标操作为无风险类别,支付宝TM系统服务器200向目标用户110发送“那不打扰您了,祝您购物愉快,再见!”
S840:当所述目标操作属于所述风险值对应的风险类别时,向目标用户110发送所述目标操作的风险类别提示,并阻断所述目标操作。
当所述目标操作为所述风险值对应的风险类别时,支付宝TM系统服务器200可以向目标用户110发送语音,向目标用户110揭示所述目标操作的风险类别,并建议目标用户110及时停止所述目标操作,语音提醒结束后,礼貌挂机。挂机后,为保障目标用户110的利益,支付宝TM系统服务器200会对目标用户110采取一定的管控措施,比如,阻断所述目标操作,再比如,在一定时间内,限制目标用户110的交易行为,比如,在2小时内限制目标用户110向外转账的行为。有时,支付宝TM系统服务器200还可以收款方的交易行为进行一定的限制。例如,当目标用户110回答“我在给贷款人转手续费”时,风险类别识别模型290对目标用户110的回答进行语义分析,并提取出关键词“贷款”、“手续费”,风险类别识别模型290计算的风险结果中的风险类别为贷款风险,风险值高于所述第二阈值,因此,支付宝TM系统服务器200判定所述目标操作为贷款风险,支付宝TM系统服务器200向目标用户110发送“您现在正处在贷款诈骗中,贷款人可能利用帮您办理贷款来骗取您的资金,请您核实贷款人的身份,谨慎转账!”。支付宝TM系统服务器200还可以阻断所述操作行为,保障目标用户110的利益。
S860:当所述目标操属于无法判定风险类别时,对所述目标操作进行追问管理。当支付宝TM系统服务器200无法判断所述目标操作的风险类别时,需要进一步对目标用户110进行询问,获取关于所述目标操作更多的信息,来帮助识别所述目标操作的风险类别。例如,当目标用户110回答“我在给陌生人转账”时,风险类别识别模型290对目标用户110的回答进行语义分析,并提取出关键词“陌生人”,风险类别识别模型290计算出风险结果的风险值高于第一阈值,认为所述目标操作存在风险,但根据目标用户110的回答无法识别出具体的风险类别,因此,需要继续对目标用户110进行追问,以获得更多的信息。所述追问管理是基于Policy对话策略学习技术,基于未填充的语义槽,向目标用户110发送追问询问。
在步骤S860中,所述对所述目标操作进行追问管理,包括:
S862:将所述应答输入追问管理模型294,生成追问询问。如前所述,所述支付宝TM系统服务器200与目标用户110之间的多轮对话是任务导向型多轮对话。为了提高对话效率,提高风险类别识别的效率,支付宝TM系统服务器200预设有语义槽组,所述预设的语义槽组中有若干个语义槽类别。支付宝TM系统服务器200通过对目标用户110的应答进行语义分析,可以将目标用户110的应答提取出相应的标签对所述语义槽组进行填充,然后根据语义槽组的填充情况来进行风险类别识别,并根据语义槽组的填充情况来选择下一轮询问的问题。所述预设的语义槽组可以帮助识别风险类别,例如语义槽类别可以包括交易双方的关系、交易的形式和交易的目的,等等。所述语义槽类别还可以包括,交易账号确认、交易的货物,等等。所述语义槽组中填充的语义槽越多,越容易进行风险类别识别,并且风险类别识别的结果越准确。
为了实施步骤S862,支付宝TM系统服务器200可以将目标用户110的应答输入追问管理模型294,获取预设的语义槽组中的至少一个语义槽对应的标签。
支付宝TM系统服务器200对目标用户110的应答进行意图识别计算,提取出目标用户110的应答中的标签进行语义槽填充。每个语义槽类别只能填充一个标签。例如,当目标用户110回答“我在给陌生人转账”时,风险类别识别模型290对目标用户110的回答进行语义分析,并提取出标签“陌生人”,则关系类别语义槽中填充的标签为“陌生人”。有时,目标用户110的一句应答中可以提取出多个标签,比如,“我在向陌生人购买虚拟产品”,从所述应答中可以提取出标签“陌生人”和标签“虚拟产品”,则关系类别语义槽中填充的标签为“陌生人”,交易货物类别语义槽中填充的标签为“虚拟产品”。
接下来,支付宝TM系统服务器200基于所述标签和所述预设的语义槽组中未填充的语义槽,生成所述追问询问。支付宝TM系统服务器200根据已经填充的语义槽标签和所述预设的语义槽组中未填充的语义槽进行计算,得到下一个待填充的语义槽类别,即追问语义槽,并根据所述追问语义槽的类别从话术库202中选择一个话术作为追问询问。
举例来说,当目标用户110回答“我在给陌生人转账”时,追问管理模型294对目标用户110的回答进行语义分析,并提取出标签“陌生人”。追问管理模型294根据标签“陌生人”以及未填充的语义槽进行计算,得到追问语义槽类别为交易目的,因此,从话术库中选择一个话术“请问您为什么给他转账?”作为追问询问。
S864:生成所述追问询问后,支付宝TM系统服务器200向目标用户110发送所述追问询问,并获取目标用户110的追问应答。这里,所述追问询问在所述识别操作风险的方法P100的流程中属于所述询问的一部分;而所述追问应答也是这个流程中所述应答的一部分。
举例来说,当支付宝TM系统服务器200向目标用户110发送“请问您为什么给他转账?”后,获取目标用户110的追问应答,例如,目标用户110回答“我在刷单”。
根据目标用户110的追问应答,重复执行步骤S600和S800,直至最终确定所述目标操作的风险类别。首先,支付宝TM系统服务器200执行步骤S600,将所述追问应答输入风险类别识别模型290,得到所述目标操作当前时刻的风险结果,判定所述目标操作的风险类别。
如前所述,为了提高风险类别识别的效率,每一轮应答结束后,支付宝TM系统服务器200都进行风险类别识别,一旦识别出所述目标操作的风险类别,便提前结束对话。因此,在获取了目标用户110的追问应答后,基于所述应答再次对所述目标操作进行风险类别识别。
为了提高对所述目标操作的风险类别识别的效率,支付宝TM系统服务器200需要将目标用户110的全部应答进行结合,以获得关于所述目标操作更多的信息。因此,支付宝TM系统服务器200继续将目标用户110的追问应答输入风险类别识别模型290中,结合之前所有输入风险类别识别模型290中的应答,进行风险类别分析计算,得到所述目标操作当前时刻的风险结果。所述目标操作当前时刻的风险结果可以覆盖上一时刻的所述目标操作的风险结果。所述目标操作当前时刻的风险结果包括当前时刻的所述目标操作的风险类别和所述风险类别对应的风险值。
例如,支付宝TM系统服务器200将“我在给陌生人转账”和“我在刷单”全部输入风险类别识别模型290进行风险类别计算,并得到风险结果。风险结果的风险类别为“刷单风险”。
支付宝TM系统服务器200基于所述目标操作当前时刻的风险结果,再次判定所述目标操作的风险类别。步骤S866的实质是再次执行步骤S600。如步骤S620、步骤S640和S660所述,当所述目标操作的风险值小于所述第一阈值时,判定所述目标操作为无风险类别,当所述目标操作的风险值大于所述第二阈值时,支付宝TM系统服务器200判定所述目标操作为所述风险值对应的风险类别,当所述目标操作的风险值在所述第一阈值和所述第二阈值之间时,支付宝TM系统服务器200判定所述目标操作为无法判定风险类别。
基于所述风险类别,重复执行步骤S800,即对所述目标操作进行风险决策。如步骤S820所述,当所述目标操作为无风险类别时,支付宝TM系统服务器200向目标用户110发送所述目标操作可以继续的提示。如步骤S840所述,当所述目标操作为所述风险值对应的风险类别时,支付宝TM系统服务器200向目标用户110发送所述目标操作的风险类别提示,并阻断所述目标操作。如步骤S860所述,当所述目标操作为无法判定风险类别时,支付宝TM系统服务器200对所述目标操作进行追问管理,继续向目标用户110发送追问询问,并获取目标用户110的追问应答,基于所述追问应答再次判定所述目标操作的风险类别,直至支付宝TM系统服务器200判定出所述目标操作的风险类别后,结束所述对话。支付宝TM系统服务器200对所述目标操作进行追问管理的具体操作如前所述,在这里不再赘述。
综上所述,本说明书提供的识别操作风险的方法P100和系统100,通过服务器200对目标用户110的所述目标操作进行询问,获取目标用户110的应答,从而获取关于所述目标操作更多的信息。服务器200可以根据目标用户110的应答通过风险类别识别模型290对所述目标操作的风险类别进行判断。当所述目标操作属于无风险类别时,服务器200可以向目标用户110发送所述目标操作可以继续的提示;当所述目标操作属于所述风险值对应的风险类别时,服务器200可以向目标用户110发送关于风险类别的提醒,以帮助目标用户110识别当前目标操作的风险,并且阻断所述目标操作;当所述目标操作属于无法判定风险类别时,服务器200可以对所述目标操作进行追问管理,继续向目标用户110发送追问询问,并获取目标用户110的追问应答,以获得关于所述目标操作的更多信息,再次对所述目标操作进行风险类别识别,直至识别出所述目标操作的风险类别后,结束对话。所述方法P100和系统100中,服务器200在每轮应答结束后都通过风险类别识别模型290进行风险类别识别计算,一旦识别出所述目标操作的风险类别,便提前结束对话;若没有识别出所述目标操作的风险类别,则继续进行追问管理计算,继续对目标用户110进行追问,直至识别出所述目标操作的风险类别。
所述方法P100和系统100能够代替人工客服,有效识别所述目标操作的风险类别,提高识别风险类别的效率,保障用户利益,同时还可以保障用户体验、提升对话效能。所述方法P100和系统100可以通过对话的方式,识别出风险操作背后具体的风险类别以及欺诈手法,并向用户披露所述风险类别,帮助用户识别骗术。所述方法P100和系统100采用对话的方式进行风险类别识别,可以带给用户更为柔和的体验。所述方法P100和系统100可以代替人工客服,提高风险识别的效率以及准确率。所述方法P100和系统100采用任务导向型的多轮对话方式,每轮应答结束后都会对所述目标操作进行风险类别识别,一旦提前识别出风险类别,便可提前结束对话,并不是采用预设的问话内容和问话流程,因此,本说明书提供的方法P100和系统100在风险识别时更灵活,效率更高。
本说明书另一方面提供一种非暂时性存储介质,存储有至少一组用来识别操作风险的可执行指令,当所述可执行指令被处理器执行时,所述可执行指令指导所述处理器实施本说明书所述的识别操作风险的方法P100的步骤。在一些可能的实施方式中,本说明书的各个方面还可以实现为一种程序产品的形式,其包括程序代码。当所述程序产品在服务器200上运行时,所述程序代码用于使服务器200执行本说明书描述的识别操作风险的步骤。用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在服务器200上运行。然而,本说明书的程序产品不限于此,在本说明书中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统(例如处理器220)使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本说明书操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在服务器200上执行、部分地在服务器200上执行、作为一个独立的软件包执行、部分在服务器200上部分在远程计算设备上执行、或者完全在远程计算设备或服务器(服务器200)上执行。在涉及远程计算设备的情形中,远程计算设备可以通过网络120连接到服务器200,或者可以连接到外部计算设备。
上述对本说明书特定实施例进行了描述。其他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是可能有利的。
综上所述,在阅读本详细公开内容之后,本领域技术人员可以明白,前述详细公开内容可以仅以示例的方式呈现,并且可以不是限制性的。尽管这里没有明确说明,本领域技术人员可以理解本说明书需求囊括对实施例的各种合理改变,改进和修改。这些改变,改进和修改旨在由本说明书提出,并且在本说明书的示例性实施例的精神和范围内。
此外,本说明书中的某些术语已被用于描述本说明书的实施例。例如,“一个实施例”,“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征,结构或特性可以包括在本说明书的至少一个实施例中。因此,可以强调并且应当理解,在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外,特定特征,结构或特性可以在本说明书的一个或多个实施例中适当地组合。
应当理解,在本说明书的实施例的前述描述中,为了帮助理解一个特征,出于简化本说明书的目的,本说明书将各种特征组合在单个实施例、附图或其描述中。然而,这并不是说这些特征的组合是必须的,本领域技术人员在阅读本说明书的时候完全有可能将其中一部分特征提取出来作为单独的实施例来理解。也就是说,本说明书中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
本文引用的每个专利,专利申请,专利申请的出版物和其他材料,例如文章,书籍,说明书,出版物,文件,物品等,可以通过引用结合于此。用于所有目的的全部内容,除了与其相关的任何起诉文件历史,可能与本文件不一致或相冲突的任何相同的,或者任何可能对权利要求的最宽范围具有限制性影响的任何相同的起诉文件历史。现在或以后与本文件相关联。举例来说,如果在与任何所包含的材料相关联的术语的描述、定义和/或使用与本文档相关的术语、描述、定义和/或之间存在任何不一致或冲突时,使用本文件中的术语为准。
最后,应理解,本文公开的申请的实施方案是对本说明书的实施方案的原理的说明。其他修改后的实施例也在本说明书的范围内。因此,本说明书披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本说明书中的实施例采取替代配置来实现本说明书中的申请。因此,本说明书的实施例不限于申请中被精确地描述过的实施例。
Claims (9)
1.一种识别操作风险的方法,包括:
接收目标用户在客户端上的目标操作;
通过在所述客户端上显示关于所述目标操作的询问进而实现向所述目标用户发送所述询问,并获取所述目标用户的应答;
将所述应答输入风险类别识别模型,得到所述目标操作的风险结果,判定所述目标操作的风险类别;以及
基于所述风险类别,对所述目标操作进行风险决策;
其中,当所述目标操作属于无法判定风险类别时,通过多轮对话的形式执行追问管理,在每一轮对话中:
将上一轮对话的所述应答输入追问管理模型,生成当前轮对话的追问询问,
向所述目标用户发送所述追问询问,并获取所述当前轮对话的追问应答,
将所述追问应答输入所述风险类别识别模型,判定所述目标操作在当前轮对话的风险类别,以及
当所述目标操作在当前轮对话中属于无法判定风险类别时,重复执行所述追问管理,一旦判定出所述目标操作属于无风险类别或风险值对应的风险类别,则提前结束所述对话,不进行下一轮对话,包括:不再将预设的问话内容中除了已经显示的询问之外的询问显示在所述客户端上。
2.如权利要求1所述的识别操作风险的方法,其中,所述风险结果包括所述目标操作的风险类别和所述风险类别对应的风险值,所述风险值与第一阈值和第二阈值之间具有大小关系。
3.如权利要求2所述的识别操作风险的方法,其中,所述判定所述目标操作的风险类别,包括:
当所述目标操作的风险值小于所述第一阈值时,判定所述目标操作为无风险类别,
对所述目标操作进行风险决策包括:
当所述目标操作为无风险类别时,向所述目标用户发送所述目标操作可以继续的提示。
4.如权利要求2所述的识别操作风险的方法,其中,所述判定所述目标操作的风险类别,包括:
当所述目标操作的风险值大于所述第二阈值时,判定所述目标操作为所述风险值对应的风险类别,
对所述目标操作进行风险决策包括:
当所述目标操作为所述风险值对应的风险类别时,向所述目标用户发送所述目标操作的风险类别提示,并阻断所述目标操作。
5.如权利要求2所述的识别操作风险的方法,其中,所述判定所述目标操作的风险类别,包括:当所述目标操作的风险值在所述第一阈值和所述第二阈值之间时,判定所述目标操作为所述无法判定风险类别。
6.如权利要求1所述的识别操作风险的方法,其中,所述将所述应答输入追问管理模型,生成追问询问,包括:
将所述目标用户的应答输入所述追问管理模型,获取预设的语义槽组中的至少一个语义槽对应的标签;
基于所述标签和所述预设的语义槽组中未填充的语义槽,生成追问询问。
7.如权利要求6所述的识别操作风险的方法,其中,所述目标操作是交易操作,所述预设的语义槽组包括:
交易双方的关系;
交易的形式;和
交易的目的。
8.一种识别操作风险的系统,包括:
至少一个存储介质,包括至少一个指令集,用于识别操作风险;以及
至少一个处理器,同所述至少一个存储介质通讯连接,
其中,当所述系统运行时,所述至少一个处理器读取所述至少一个指令集,并且根据所述至少一个指令集的指示执行权利要求1-7中任一项所述的识别操作风险的方法。
9.一种非暂时性存储介质,存储有至少一个指令集用于操作风险,当所述至少一个指令集被处理器执行时,所述处理器根据所述至少一个指令集实施权利要求1-7中任一项所述的识别操作风险的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410992.0A CN111539741B (zh) | 2020-05-15 | 2020-05-15 | 识别操作风险的方法、系统和非暂时性存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410992.0A CN111539741B (zh) | 2020-05-15 | 2020-05-15 | 识别操作风险的方法、系统和非暂时性存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539741A CN111539741A (zh) | 2020-08-14 |
CN111539741B true CN111539741B (zh) | 2023-02-24 |
Family
ID=71977774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010410992.0A Active CN111539741B (zh) | 2020-05-15 | 2020-05-15 | 识别操作风险的方法、系统和非暂时性存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539741B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561276B (zh) * | 2020-12-08 | 2023-12-01 | 珠海优特电力科技股份有限公司 | 作业操作风险演示方法及装置、存储介质、电子装置 |
CN113095838A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 交易验证方法及装置、存储介质及电子设备 |
CN114969293A (zh) * | 2022-05-31 | 2022-08-30 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665706A (zh) * | 2016-07-29 | 2018-02-06 | 科大讯飞股份有限公司 | 快速语音交互方法及系统 |
CN107688614A (zh) * | 2017-08-04 | 2018-02-13 | 平安科技(深圳)有限公司 | 意图获取方法、电子装置及计算机可读存储介质 |
CN108959404A (zh) * | 2018-06-06 | 2018-12-07 | 北京春雨天下软件有限公司 | 智能追问方法及装置 |
CN109376999A (zh) * | 2018-09-20 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 一种交易的管控方法、装置及设备 |
CN109461073A (zh) * | 2018-12-14 | 2019-03-12 | 深圳壹账通智能科技有限公司 | 智能识别的风险管理方法、装置、计算机设备及存储介质 |
CN110348704A (zh) * | 2019-06-25 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN110827033A (zh) * | 2019-10-11 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 信息处理方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11151568B2 (en) * | 2018-05-09 | 2021-10-19 | Capital One Services, Llc | Real-time selection of authentication procedures based on risk assessment |
CN110751553A (zh) * | 2019-10-24 | 2020-02-04 | 深圳前海微众银行股份有限公司 | 潜在风险对象的识别方法、装置、终端设备及存储介质 |
-
2020
- 2020-05-15 CN CN202010410992.0A patent/CN111539741B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665706A (zh) * | 2016-07-29 | 2018-02-06 | 科大讯飞股份有限公司 | 快速语音交互方法及系统 |
CN107688614A (zh) * | 2017-08-04 | 2018-02-13 | 平安科技(深圳)有限公司 | 意图获取方法、电子装置及计算机可读存储介质 |
CN108959404A (zh) * | 2018-06-06 | 2018-12-07 | 北京春雨天下软件有限公司 | 智能追问方法及装置 |
CN109376999A (zh) * | 2018-09-20 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 一种交易的管控方法、装置及设备 |
CN109461073A (zh) * | 2018-12-14 | 2019-03-12 | 深圳壹账通智能科技有限公司 | 智能识别的风险管理方法、装置、计算机设备及存储介质 |
CN110348704A (zh) * | 2019-06-25 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN110827033A (zh) * | 2019-10-11 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 信息处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111539741A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539741B (zh) | 识别操作风险的方法、系统和非暂时性存储介质 | |
US20210165697A1 (en) | Artificial intelligence-powered cloud for the financial services industry | |
US20210352065A1 (en) | Tokenized online application sessions | |
US10915227B1 (en) | System for adjustment of resource allocation based on multi-channel inputs | |
US20030236740A1 (en) | Interactive voice response quick credit system and associated methods | |
US11051164B2 (en) | Systems, methods, and computer program products for providing user authentication for a voice-based communication session | |
US20210103705A1 (en) | Systems and methods of generating responses associated with natural language input | |
US10665238B1 (en) | Alert through voice assistant | |
CN110009480A (zh) | 司法催收路径的推荐方法、装置、介质、电子设备 | |
CN111062770B (zh) | 商户识别方法、设备及计算机可读介质 | |
CN111353784A (zh) | 一种转账处理方法、系统、装置和设备 | |
US20240029053A1 (en) | Provisioning of payment acceptance to payment account holders | |
US11706337B1 (en) | Artificial intelligence assistant for customer service representatives | |
CN113379975A (zh) | 一种自动取款机交互方法及相关设备 | |
US11580549B2 (en) | Transaction tracking and fraud detection using voice and/or video data | |
EP3553723A1 (en) | Authorization preprocessing systems and methods | |
Bowden et al. | A taxonomy of fintech innovation | |
US20220292497A1 (en) | Transaction Based Authentication with Refunded Transactions Removed | |
US20220292505A1 (en) | Eliminating Transactions from Connected Accounts from False Answer Choices in Transaction Questions | |
KR102143181B1 (ko) | 사기거래 탐지를 위한 본인확인 방법, 장치 및 프로그램 | |
CA3200541C (en) | Systems and methods of generating responses associated with natural language input | |
US20210073907A1 (en) | Peer-to-peer cloud-based credit lending | |
US20220405730A1 (en) | Conducting Secure Fragmented Payment Transactions | |
RU2740301C2 (ru) | Способ и система проведения платежей | |
KR102119068B1 (ko) | 챗봇을 이용한 사용자 정보 수집방법, 장치 및 프로그램 |
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 |