CN111553702B - 一种支付风险识别方法及装置 - Google Patents

一种支付风险识别方法及装置 Download PDF

Info

Publication number
CN111553702B
CN111553702B CN202010407194.2A CN202010407194A CN111553702B CN 111553702 B CN111553702 B CN 111553702B CN 202010407194 A CN202010407194 A CN 202010407194A CN 111553702 B CN111553702 B CN 111553702B
Authority
CN
China
Prior art keywords
image
position information
client
payment
payment 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
CN202010407194.2A
Other languages
English (en)
Other versions
CN111553702A (zh
Inventor
牟婷
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 CN202010407194.2A priority Critical patent/CN111553702B/zh
Publication of CN111553702A publication Critical patent/CN111553702A/zh
Application granted granted Critical
Publication of CN111553702B publication Critical patent/CN111553702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q20/00Payment architectures, schemes or protocols
    • G06Q20/38Payment protocols; Details thereof
    • G06Q20/40Authorisation, 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
    • G06Q20/401Transaction verification
    • G06Q20/4016Transaction verification involving fraud or risk level assessment in transaction processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q20/00Payment architectures, schemes or protocols
    • G06Q20/30Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/322Aspects of commerce using mobile devices [M-devices]
    • G06Q20/3224Transactions dependent on location of M-devices
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q20/00Payment architectures, schemes or protocols
    • G06Q20/38Payment protocols; Details thereof
    • G06Q20/382Payment protocols; Details thereof insuring higher security of transaction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本说明书公开了一种支付风险识别方法及装置。所述方法包括:接收到支付请求后,获取付款方用户当前的位置信息;根据位置信息和支付风险类型的对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型;根据所确定的支付风险类型,对所述支付请求进行风险识别。

Description

一种支付风险识别方法及装置
技术领域
本说明书实施例涉及风险识别领域,尤其涉及一种支付风险识别方法及装置。
背景技术
目前,网络支付是指通过网络进行转账支付,无需现金。例如二维码付款、网上银行转账等等。网络支付在带来便捷的同时,也具有一定的风险,存在用户被欺诈后利用网络支付向欺诈者转账的情况,导致用户的财产损失。例如,在用户被刷单等工作诱惑后,多次通过二维码付款方式,向欺诈者支付工作保证金。
为了减少被欺诈用户的财产损失,需要对用户的网络支付行为进行风险识别。在进行风险识别时,可以利用用户和被用户转账的收款方在进行网络支付时的位置关系。根据位置关系,网络支付可以分为面对面支付和远距离支付。不难理解的是,由于面对面支付时用户和收款方可以见面,因此用户被欺诈的风险较小;而由于远距离支付时用户和收款方没有见面,因此用户被欺诈的风险较大。
在一种风险识别方式中,仅利用用户和收款方在进行网络支付时的位置关系作为风险识别的一个维度。但在正常用户的网络支付中,也存在远距离支付的情况,例如用户跨省向家人转账。因此,从该维度考虑,难以进一步区分被欺诈用户和正常用户的网络支付,风险识别的准确率较低,可能会造成对正常远距离支付行为的风险误判,从而影响用户体验。
发明内容
为了提高风险识别的准确率,本说明书提供了一种支付风险识别方法及装置。技术方案如下:
一种用于支付风险识别的信息获取方法,包括:
任一客户端调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;将所获取到的至少一张图像以及位置信息关联上传至服务端;
服务端针对客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;
服务端针对客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合。
一种基于如上述信息获取方法中的对应关系集合的支付风险识别方法,包括:
接收到支付请求后,获取付款方用户当前的位置信息;
根据所述对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型;
根据所确定的支付风险类型,对所述支付请求进行风险识别。
一种基于如上述信息获取方法中的对应关系集合的支付风险识别装置,包括:
位置信息获取模块:用于接收到支付请求后,获取付款方用户当前的位置信息;
风险类型确定模块:用于根据所述对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型;
风险识别模块:用于根据所确定的支付风险类型,对所述支付请求进行风险识别。
通过上述技术方案,可以利用获取到的位置信息和支付风险类型的对应关系集合,通过查找对应关系集合中,付款方设备当前位置信息对应的支付风险类型,进一步区分远距离支付中的高风险支付行为,提高支付风险的识别准确率。
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,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种支付风险识别方法的流程示意图;
图2是本说明书实施例提供的一种位置信息和风险类型的对应关系获取系统的架构示意图;
图3是本说明书实施例提供的一种用于支付风险识别的信息获取方法的流程示意图;
图4是本说明书实施例提供的一种商户信息核查方法的流程示意图;
图5是本说明书实施例提供的一种客户端的结构示意图;
图6是本说明书实施例提供的一种服务端的结构示意图;
图7是本说明书实施例提供的一种支付风险识别装置的结构示意图;
图8是本说明书实施例提供的一种商户信息核查装置的结构示意图;
图9是用于配置本说明书实施例方法的一种设备的结构示意图。
具体实施方式
为了使本领域技术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实施例中的附图,对本说明书实施例中的技术方案进行详细地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,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所获得的所有其他实施例,都应当属于保护的范围。
网络支付是指通过网络进行转账支付,无需现金。例如二维码付款、网上银行转账等等,是如今一种十分普遍的支付方式。
与传统的现金支付方式相比,网络支付十分便捷,无需付款方和收款方当面交易,在大额交易时也无需交换大量的现金,利用网络设备就可以轻松进行。
但由于现金支付方式需要付款方和收款方进行面对面的交易,彼此能够确认对方的身份和真实性,因此收款方实行欺诈的成本较大,付款方被欺诈的风险较小。
而网络支付由于无需面对面交易,相对应的难以确认付款方和收款方双方的身份和真实性。例如,收款方可以通过非法渠道,获取一个假身份,利用假身份申请一个银行账户,在实行欺诈后,付款方向该银行账户汇款,即使事后付款方发现被骗,也无法查找到收款方的真实身份。
因此,网络支付方式中,收款方实行欺诈的成本较小,付款方被欺诈的风险较大,也就存在许多用户被欺诈后利用网络支付向欺诈者转账的情况,导致用户的财产损失。
例如,用户在被欺诈者发布的网上工作信息诱惑后,发现需要支付保证金和培训费后,多次通过二维码付款方式,向欺诈者支付费用。费用支付后,欺诈者消失,网上的工作信息也是伪造的,无法追查到欺诈者的真实身份,造成用户的财产损失。
另一个示例为,欺诈者利用假照片和假身份资料,通过社交软件与用户建立了恋爱关系。利用用户的信任多次借钱,并拒绝见面。随后欺诈者消失,照片及身份都无法查证,无法追查到欺诈者的真实身份,造成用户的财产损失。
为了减少被欺诈用户的财产损失,需要对用户的网络支付行为进行风险识别。
在进行风险识别时,需要针对网络支付行为的多个维度进行综合评估,例如,收款方的不良记录、支付金额、支付频率、与同一收款方的交易历史等维度多方面进行综合评估,得到一个风险评估分数。
在得到风险评估分数后,根据分数对当前的网络支付行为进行一些风险防范的措施。例如,当分数低于30分时,直接停止当前的网络支付行为;当分数低于60分时,在实际支付前严重警告用户当前的支付行为具有较大的风险;当分数低于80分时,在实际支付时通过短信或弹窗提醒当前的支付行为存在风险;当分数高于80分时,直接放行当前的支付行为。
其中,风险识别的一个维度,可以是利用付款方和收款方在进行网络支付时的位置关系。
根据位置关系,网络支付可以分为面对面支付和远距离支付。不难理解的是,由于面对面支付时用户和收款方可以见面,因此用户被欺诈的风险较小;而由于远距离支付时用户和收款方没有见面,因此用户被欺诈的风险较大。
具体可以是获取到收款方和付款方当前的位置信息,根据位置信息判断收款方和付款方是否面对面。其中,位置信息可以是通过网络定位的位置坐标。
但在正常用户的网络支付中,也存在许多远距离支付的情况,例如用户跨省向家人转账,或者在购买音乐资源或网站会员等虚拟商品时,需要向网络公司远距离支付。
因此,如果只考虑付款方和收款方在进行网络支付时的位置关系,难以进一步区分存在风险的远距离支付行为和正常的远距离支付行为,风险识别的准确率较低,可能会造成对正常远距离支付行为的风险误判,从而影响用户体验。
其中,识别准确率可以是实际存在风险的用户与识别出存在风险的用户数量的比值。
在对欺诈行为进行统计分析后,发现多数欺诈行为中,受骗用户多是在室内环境中找网上工作或者进行网络社交,例如用户家中,或者网吧。
进一步分析发现,当用户处在公共场合中时,例如商场、街道、任职公司等,进行的支付行为中,用户通常是基于对收款方的真实性或者合同的约束力进行付款,例如在商场中某家服装店购买服装,或者在街道边某家小吃店购买小吃,其中,服装店和小吃店都是真实存在的。或者向商务上有合作的其他公司进行商业上的转账,如果其他公司存在欺诈等行为,可以根据合同的约束力进行追责。
因此,在公共场合进行的支付行为的风险较小。
而当用户处在室内的私密场合中时,例如用户家中,进行的支付行为中,收款方的身份多数难以确定真实性,用户通常是基于对收款方的私下信任进行付款,例如向不明身份的网友转账,或者向网络上的不明身份的公司交保证金。
因此,在室内的私密场合进行的支付行为的风险较大。
基于上述分析,欺诈行为与用户当前所处环境的场景类型存在较大关联,场景类型具体可以是室内和室外,或者住宅区、购物区和办公区,而存在欺诈风险的支付行为多数发生在室内和住宅区。
因此,在收款方和付款方进行网络支付时的位置关系的基础上,还可以通过检测付款方在进行支付行为时所处环境的场景类型,帮助识别支付风险,从而提高识别准确率,提高用户体验。
本说明书实施例提供了一种支付风险识别方法,预设有场景类型和风险类型的对应关系,可以根据获取到的用户在进行支付行为时当前所处环境的场景类型,在预设的对应关系中查找到对应的风险类型,根据查找到的风险类型对该支付行为进行风险识别。
需要注意的是,在本说明书中,对应关系的具体形式不作限定,具体可以是通过横杠“-”表示,也可以通过括号表示。例如,住宅区-高风险,或者(住宅区,高风险)。
例如,预设有住宅区-高风险,办公区-低风险,购物区-低风险三组对应关系,获取到支付请求后,根据付款方用户当前的位置信息,判断用户当前处于住宅区,因此查找到对应的风险类型为高风险,根据高风险对该支付行为进行风险识别。当然,具体在进行风险识别时,还需要考虑其他因素的影响,例如收款方的信用等等。
更为直接的,本说明书实施例提供另一种支付风险识别方法,预设有位置信息和风险类型的对应关系,可以根据获取到的用户在进行支付行为时,当前的位置信息,在预设的对应关系中查找到对应的风险类型,根据查找到的风险类型对该支付行为进行风险识别。
预设的位置信息和风险类型的对应关系例如,预设有位置坐标1-高风险,位置坐标2-低风险,位置坐标3-无风险。
如图1所示,为本说明书实施例提供的一种支付风险识别方法的流程示意图,预设有位置信息和风险类型的对应关系。
支付风险识别方法的步骤具体可以包括:
S101:接收到支付请求后,获取付款方用户当前的位置信息。
S102:根据位置信息和风险类型的对应关系,确定付款方用户当前位置信息所对应的支付风险类型。
支付风险类型可以是高风险、低风险和无风险,也可以是利用风险等级进行区分,例如等级1、等级2、等级3等等。本说明书对支付风险类型的具体形式不作限定。
S103:根据所确定的支付风险类型,对支付请求进行风险识别。
当然,在对支付请求进行风险识别时,需要综合多种因素进行综合评价,而不是仅仅根据所确定的支付风险类型进行评价。
例如,如果支付请求中付款方和收款方的历史交易行为较多,则可以根据预设规则降低支付风险。
通过上述方法实施例,可以在检测付款方和收款方位置关系的基础上,进一步判断付款方位置信息对应的风险类型,从而能够进一步区分远距离支付中的高风险支付行为,提高支付风险的识别准确率。
上述方法实施例中,“位置信息和风险类型的对应关系”是实现方案的关键信息,实际应用中,这种对应关系难以直接获取,因此,本说明书还提供了一种信息获取方法,通过用户的客户端设备获取用户当前的位置信息以及用户当前所处环境的图像,利用预设的算法对图像进行识别,并确定图像识别结果对应的支付风险类型,从而建立位置信息与支付风险类型的对应关系。
当然,位置信息与风险类型的对应关系也可以利用其它方式构建,例如,采用实地调查的方式确定位置信息对应的风险类型,本说明书对上述方法实施例中位置信息与风险类型的对应关系的来源不做限定。
为了实现“位置信息和风险类型的对应关系”这一信息的获取方法,需要至少一个服务端和多个客户端。其中,客户端用于收集用户当前的位置信息以及用户当前所处环境的图像,并将收集到的位置信息和图像关联上传到服务端。单个客户端可以多次上传,不同的客户端可以互不影响地上传。
而服务端用于根据接收到的全部客户端上传的位置信息和图像,进行后续的整合处理,最终得到位置信息与支付风险类型的对应关系集合。
如图2所示,为本说明书实施例提供的一种位置信息和风险类型的对应关系获取系统的架构示意图。
图中包括六个客户端和一个服务端,六个客户端中的每个客户端都在获取到用户当前的位置信息以及用户当前所处环境的图像后,将位置信息和图像关联上传到服务端,以使服务端进行下一步的整合处理,最终得到位置信息与支付风险类型的对应关系集合。
值得注意的是,图中服务端和客户端的数量并不构成对本说明书范围的限定。
如图3所示,为本说明书实施例提供的一种用于支付风险识别的信息获取方法的流程示意图。这里的信息即前面所介绍的“位置信息和风险类型的对应关系”。值得注意的是,在本实施例中,服务端可以对应于多个客户端,不同的客户端可以与服务端进行互不干扰的数据传输,以下为了便于描述,仅针对单个客户端与服务端的数据传输进行了详细的描述,可以理解的是,服务端与不同的客户端都可以采用本实施例的方式进行数据传输。
信息获取方法具体包括以下步骤:
S201:任一客户端调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;将所获取到的至少一张图像以及位置信息关联上传至服务端。
为了便于理解,首先给出一个实例,客户端可以是增强现实(Augmented Reality,AR)游戏客户端。AR游戏会调用游戏客户端设备的摄像头,针对所拍摄的图像进行图像识别、模型绑定和图像合成等技术,将虚拟形象,例如虚拟人物形象,与所拍摄的现实场景的图像合成。游戏用户可以通过摄像头从客户端设备屏幕中看到虚拟形象出现在现实场景中,增强代入感。
因此,AR游戏客户端可以调用摄像模块获取到客户端设备当前所处环境的至少一张图像。
当然,客户端也可以是拍照小程序等其他能够调用客户端设备的摄像模块的客户端。而出于对用户隐私的保护,客户端无法随时调用摄像模块。因此,客户端可以在被用户打开后,调用摄像模块获取图像。
为了方便描述,本实施例仅针对单次客户端与服务端的数据传输进行了详细描述,可以理解的是,对于同一个客户端,存在与服务端的多次数据传输,而每次数据传输都可以采用本实施例的方式。
例如,客户端在不同时间被打开时,获取到的图像并不相同,但都可以采用本实施例的方式与服务端进行数据传输。
此外,客户端还可以获取客户端设备当前的位置信息。位置信息具体可以是空间坐标,或者自定义的坐标,也可以是经纬度,街道名称等等。本说明书对位置信息的具体形式不作限定。
而位置信息的获取方式,可以通过联网网络的实际位置确定,例如WiFi定位,也可以利用基站定位,或者GPS定位等等。本说明书对位置信息的获取方式也不作限定。
客户端对于获取到的至少一张图像和位置信息,可以先针对图像进行初步的预处理,筛选出不上传到服务端的,难以进行后续处理的图像,例如,过于模糊的图像、重复内容较多的图像、分辨率太低的图像或者光线太弱的图像等等。预处理也可以是筛选出上传到服务端的,能够进行后续处理的固定数量的图像。预处理可以减少服务端的后续工作量,同时减小客户端传输的数据量,减小数据传输的压力。
以AR游戏为例,用户打开AR游戏后,可以间隔固定时长获取图像。但由于部分AR游戏需要固定视角,因此获取的多张图像可能大致相同,都是同一张桌子,筛选出一张上传即可。部分AR游戏需要用户不断移动,虽然获取的多是不同的图像,但由于摄像模块的硬件限制,可能获取到存在较多运动模糊的图像,不上传该图像即可。
值得注意的是,客户端单次数据传输,也可以传输多个位置信息和对应的图像,例如AR游戏需要用户不断移动时,就会产生多个位置信息及其对应的多张图像。因此,本实施例中并不限定位置信息和图像的数量。
客户端可以将获取到的至少一张图像和位置信息进行绑定,一同上传到服务端。服务端可以根据绑定关系,确定该位置信息对应的客户端设备当前所处环境的图像。也就是说,单一客户端单次上传到服务端的至少一张图像和位置信息具有关联关系。
可以理解的是,同一个客户端可以多次上传位置信息及对应的图像,多个客户端也可以和服务端进行数据传输,上传许多位置信息的图像。
而对于同一位置信息,或者在预设范围内的不同位置信息,服务端可以将客户端上传的位置信息对应的图像合并,认为是同一位置的环境图像,以便于后续的处理。
以AR游戏为例,用户a在商业区某家咖啡馆打开AR游戏客户端后,客户端将用户a当前所处环境的至少一张商业区图像A1和商业区位置信息关联上传到服务端。
两天后,用户a在商业区同一家咖啡馆再次打开AR游戏客户端后,客户端再次将用户a当前所处环境的至少一张商业区图像A2和商业区位置信息关联上传到服务端。
与此同时,用户b也在商业区同一家咖啡馆打开AR游戏客户端后,客户端将用户b当前所处环境的至少一张商业区图像B和商业区位置信息关联上传到服务端。
显然,用户a上传的两次商业区位置信息和用户b上传的商业区位置信息相同,都是商业区某家咖啡馆,服务端可以将图像A1、A2和B综合起来,用于后续处理。
S202:服务端针对客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型。
其中,图像识别结果可以是图像中的环境的场景类型,例如,住宅区、商业区、办公区、室内、室外等等。上述方法实施例中也存在对预设的场景类型-支付风险类型对应关系的解释,此处不再赘述。
服务端可以调用预设算法,对图像中的环境场景类型进行识别。再根据预设的场景类型-支付风险类型对应关系,确定图像识别结果对应的支付风险类型。
此外,图像识别结果也可以是图像中的物品类型,例如电脑、手机等等,也可以是图像中文本信息,例如“街道”、“欢迎光临”、“刷单”等等。
可以理解的是,场景类型、物品类型和文本信息都可以预设与支付风险类型的对应关系。例如,多棵大树-低风险、多台电脑-高风险、“刷单”-高风险、“街道”-低风险等等。其中,如果图像中出现了多台电脑,说明用户可能使用多台电脑进行刷单等行为,支付行为可能存在高风险;如果图像中出现了“刷单”关键字,说明用户可能正在进行刷单相关的工作,支付行为可能存在高风险。
显然,利用特殊物品或关键字,也可以根据预设的物品类型-支付风险类型对应关系或文本信息-支付风险类型对应关系,直接确定图像识别结果中物品类型或文本信息对应的支付风险类型。
服务端可以调用图像文本识别算法或者图像物品识别算法,对图像中的文本信息或物品类型进行识别。再根据预设的文本信息-支付风险类型对应关系或者物品类型-支付风险类型对应关系,确定图像识别结果对应的支付风险类型。换言之,服务端可以利用图像文本识别算法或者图像物品识别算法的识别结果,直接确定支付风险类型。
而服务端在调用预设算法对图像进行识别,对图像中的环境场景类型进行识别时,预设算法也可以是图像文本识别算法或者图像物品识别算法。换言之,服务端可以利用图像文本识别算法或者图像物品识别算法的识别结果,确定图像中的环境场景类型,再确定支付风险类型。
以下是服务端在调用预设算法对图像进行识别,对图像中的环境场景类型进行识别的详细解释。
1)当预设算法是图像文本识别算法时,服务端可以调用图像文本识别算法,对图像中的文本信息进行识别;将识别得到的文本信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
其中,图像文本识别算法可以具体是光学字符识别(Optical CharacterRecognition,OCR)算法。本说明书并不限定具体的图像文本识别算法。
而图像中识别出的文本信息与场景类型也具有一定的关联,例如,图像中多次出现商户的名称、“打折”、“促销”等文本信息,图像的场景类型可能是商业区;图像中多次出现“工作”、“计划”、“业务”、“部门”等文本信息,图像的场景类型可能是办公区。因此,可以预设一个场景类型识别模型,输入是文本信息,输出是场景类型。
该场景类型识别模型可以是利用深度学习的方式得到的模型,也可以是构建文本信息关键字和场景类型的对应关系。本说明书并不限定场景类型识别模型的获取方式。
2)当预设算法是图像物品识别算法时,服务端调用图像物品识别算法,对图像中的物品信息进行识别;将识别得到的物品信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
图像物品识别算法具体可以是卷积神经网络算法,本说明书并不限定具体的图像物品识别算法。
而图像中识别出的物品信息与场景类型也具有一定的关联,例如,图像中多次出现格子间或者许多文件夹等物品信息,图像的场景类型可能是办公区;图像中多次出现各类商品,例如服饰、咖啡杯、化妆品等等,图像的场景类型可能是商业区;图像中出现天空、树木以及街道,图像的场景类型可能是室外。因此,可以预设一个场景类型识别模型,输入是物品信息,输出是场景类型。
该场景类型识别模型可以是利用深度学习的方式得到的模型,也可以是构建物品信息和场景类型的对应关系。本说明书并不限定场景类型识别模型的获取方式。
3)当预设算法包括图像文本识别算法和图像物品识别算法时,服务端可以结合上述两种方式,利用识别出的文本信息和物品信息,综合确定图像中的场景类型。
通过以上的方式,可以得到作为图像识别结果的场景类型。
在根据预设的场景类型-支付风险类型的对应关系,确定图像识别结果中的场景类型对应的支付风险类型。
值得注意的是,本说明书提供的信息获取方法是基于大数据的信息获取方式。上述根据图像基于预设算法识别图像中环境的场景类型的解释中,存在许多可能的情况,如下所示:
1)识别出的场景类型是准确的。这是理想的情况。
2)识别出的场景类型是不准确的。
例如,当用户实际处于室内环境时,站在窗户前打开了AR游戏,获取到了窗户外的图像,经过识别认为客户端设备所处环境的场景类型是室外。
另一示例为,用户实际处于室内环境时,在包含许多室外图像的书前打开了AR游戏,游戏客户端获取到了书中的室外图像后,经过服务端识别认为客户端设备所处环境的场景类型是室外。
这是较为复杂的情况。而本实施例可以通过同一客户端不同时刻在同一位置上传的图像,或者不同客户端在同一位置上传的图像,综合判断该位置的场景类型。
也就是说,即使在某一次的客户端与服务端的数据传输过程中,服务端识别出的客户端设备当前所处环境的场景类型不准确,也可以通过同一位置对应的不断累积的图像数据,综合对同一位置的场景类型进行综合的识别,从而得到更为准确的识别结果。
例如,对于某一商业区的书店,即使存在部分客户端上传的图像是书中的室外图像,被识别为室外,随着不同客户端上传的能够被识别为书店的图像越来越多,服务端可以根据多个识别结果中,场景类型的占比得到综合的识别结果。
另一示例为,对于处于住宅区的用户,即使存在当下客户端上传的图像是窗户外的图像,被识别为室外,但对着同一客户端上传的其他时刻的被识别为室内的图像越来越多,服务端可以根据多个识别结果中,场景类型的占比得到综合的识别结果。
3)无法识别出场景类型。
例如,客户端上传的图像十分模糊,预设算法无法得到识别结果,也就无法得到客户端设备当前所处环境的场景类型。
而本实施例可以通过同一客户端不同时刻在同一位置上传的图像,或者不同客户端在同一位置上传的图像,综合识别该位置的场景类型。
随着客户端上传的同一位置对应的图像越来越多,无法得到识别结果的图像越来越少,也就可以综合多张图像识别该位置的场景类型。
例如,客户端在某一时刻的某一位置上传了较为模糊的图像,但在其他时刻的相同位置上传了清晰的能够得到识别结果的图像,服务端可以综合多张上传的图像进行识别。
4)同一位置的场景类型发生了改变。
例如,同一位置原本是商业区,经过拆迁后变成了住宅区。而服务端在进行场景类型的识别时,也会综合考虑历史的商业区图像。
而本实施例中,可以通过同一客户端不同时刻在同一位置上传的图像,或者不同客户端在同一位置上传的图像,综合判断该位置的场景类型。
即使同一位置场景类型发生了改变,也可以利用不断累积的图像进行综合判断,知道新的场景类型识别结果占比满足预设条件。
预设条件可以是占比最大,也可以是占比大于某一预设阈值。
基于针对上述情况的分析,可见,本实施例中,即使客户端与服务端的单次数据传输中的识别结果不准确或者没有识别结果,但同一位置对应的图像信息随着客户端不断上传图像一定是逐步累积的,可以基于大数据提高识别结果的准确率或者能够得到识别结果。
S203:服务端针对客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合。
服务端可以针对客户端单次上传的一个位置信息,以及确定的支付风险类型,建立一组对应关系,将该组对应关系添加到对应关系集合中。
对应关系集合的示例可以如下表所示,包含了位置信息和对应的支付风险类型。其中位置信息是位置坐标,以某一位置为(0,0)原点,通过坐标表示其他位置。支付风险类型是风险等级,等级越高,风险越大。
对应关系集合示例为:
位置信息 支付风险类型
(4.2,5.6) 3
(-2.3,0.4) 5
(9.8,3.4) 3
(0.8,2.5) 6
(4.2,5.5) 2
(4.3,5.6) 4
表1.位置信息与支付风险类型的对应关系表
而客户端单次也可以上传多个位置信息,以及对应的多张图像。例如,用户在游玩AR游戏时需要不停地移动。所以上传的位置信息彼此不同,对应的图像也不同。
服务端也可以针对客户端单次上传的多个位置信息,以及多个位置信息中各位置信息对应的图像所确定的支付风险类型,建立多组对应关系,将多组对应关系添加到对应关系集合中。
由于客户端单次上传的位置信息较大可能是在同一区域内,为了减少冗余的对应关系,服务端可以针对根据客户端上传的多个位置信息,将位置近似的位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系。
具体可以是服务端根据客户端上传的在预设范围内的多个位置信息、以及所确定的多个支付风险类型,建立一组对应关系。
该对应关系中包括:预设范围对应的单个位置信息,以及多个支付风险类型中满足预设条件的单个支付风险类型;或者,预设范围对应的单个位置信息,以及多个支付风险类型。
预设条件可以是在多个支付风险类型中占比最高的单个支付风险类型,或者在多个支付风险类型中占比超过预设阈值的单个支付风险类型,或者,如果风险类型能够计算均值,多个支付风险类型的均值等等。
例如,当单个客户端单次上传的多个位置信息和确定的支付风险类型对应关系为:((3.2,6.7),5)、((3.2,6.7),4)、((3.2,6.7),4)、((3.3,6.8),6)和((3.1,6.5),3)。
由于上述五个对应关系的位置坐标都十分接近,因此可以整合为一个区域位置坐标(3.2,6.7),则整合后得到的单个对应关系可以是:
包含每个支付风险等级的((3.2,6.7),5,4,4,6,3);
也可以是取支付风险等级的均值的((3.2,6.7),4.4);
也可以是支付风险等级占比最大的((3.2,6.7),4)。
当然,区域也可以是设定的区域A,区域A即为横坐标在3和4之间,纵坐标在6和7之间的区域。整合后的对应关系例如,(区域A,4)。
服务端整合了单个客户端单次上传的多个位置信息后,得到一个对应关系添加到对应关系集合中。
然而服务端在实际接收位置信息和图像时,接收的是多个客户端上传的信息,并且还可以接收同一客户端不同时间多次上传的信息,因此,服务端的对应关系集合中包含了不同客户端上传的信息,以及同一客户端不同时间上传的信息。
可以理解的是,不同客户端可能上传的是同一位置信息或距离较近的位置信息,在同一客户端多次上传的信息中,也可能包含同一位置信息或者距离较近的位置信息。
例如,用户时常在家中打开AR游戏,该游戏客户端多次上传的信息包含了同一位置信息,即用户的家对应的位置信息。
另一种示例为,用户1在某家商店中打开了AR游戏,上传的信息中包含了该商店的位置信息。而用户2之后也在该家商店中打开了AR游戏,上传的信息中也包含了同样的该商店的位置信息。
因此,服务端还可以整合对应关系集合,减少冗余对应关系,便于更快地查找到对应的支付风险类型用于支付风险识别。
服务端在将对应关系添加到对应关系集合中后,还可以合并或修改包含同一位置信息或近似位置信息的对应关系。
例如,对于表1中的以下三组对应关系,位置信息相似,服务端可以将以下三组对应关系合并为一组对应关系。
(4.2,5.6) 3
(4.2,5.5) 2
(4.3,5.6) 4
合并的结果可以是综合支付风险类型:
(4.2,5.6) 3,2,4
也可以是求支付风险类型的均值:
(4.2,5.6) 3
当然,综合位置信息的区域也可以是设定的区域范围,此处不再赘述。
值得注意的是,位置信息的获取也可能存在错误,例如网络定位不准确,基站定位产生位置偏移等等。而在对应关系集合中,可以基于大数据,减小位置信息的错误造成的影响。详细解释与上述S202中的解释原理一致,此处不再赘述。
此外,任一组对应关系中,还可以关联有客户端所上传的图像。也就是说,对应关系中可以包含位置信息、至少一张图像和风险类型。其中的图像可以便于进行其他风险识别方法。
任一组对应关系中,还可以关联有客户端标识。也就是说,对应关系中可以包含位置信息、客户端标识和风险类型。通过增加客户端标识,可以更加细粒度地分析客户端所处环境。
例如,一幢高楼,下三层是商业区,上层都是住宅区,而该高楼的位置信息相同,这时就需要通过区分客户端标识进行区分。
例如,对于同一位置1,客户端1对应的场景类型是住宅区,风险类型是高风险,而客户端2对应的场景类型是商业区,风险类型是低风险。
通过上述方法实施例,可以建立起位置信息与支付风险类型的对应关系集合,以便于支付风险的识别。其中,基于大数据,由于本方法实施例中,位置信息和图像的获取并不是指定工作人员进行专门的收集,而是用户在使用客户端的过程中自动采集的,无需用户完成任何指标或任务,并且随时自动上传,无需用户刻意的操作,减少对用户使用客户端的影响,可以借助用户的使用收集到较多的信息用于建立位置信息和支付风险类型的对应关系集合。
利用大数据的不断更新和增长的特性,本方法实施例可以建立起较为准确的位置信息与支付风险类型的对应关系集合,提高了支付风险的识别准确率。
关于上述方法实施例在服务端和客户端的单侧执行方法细节,可以参见上述方法实施例的描述,此处不再赘述。
此外,作为收款方,商户的信息可以从各种渠道获取到,例如网站的信息收集,但商户的信息无法保证真实性,可能存在假证件、假位置、假门面等情况。
因此,收款方的商户信息真实性也可以作为风险识别中的一个需要考虑的维度。
基于以上实施例中的“位置信息和风险类型的对应关系”,本说明书实施例还提供了一种商户信息核查方法。由于商户信息中也包含商户的位置信息,因此,可以利用该对应关系,利用位置信息确定附近的商户信息,再从图像中利用预设算法识别出图像中的商户信息。如果图像中的商户信息与附近的某一商户信息相匹配,则确定该商户信息的真实性。
如图4所示,为本说明书提供的一种商户信息核查方法的流程示意图,预设有位置信息和位置信息所处环境的图像的对应关系。该对应关系可以是通过上述信息获取方法实施例中客户端关联上传的位置信息和至少一张图像确定的,也可以是采用实地调查的方式确定的。本说明书对位置信息和位置信息所处环境的图像的对应关系的获取方式并不作限定。
商户信息核查方法的步骤可以包括:
S301:针对任一组目标对应关系,确定该目标对应关系中的位置信息。
目标对应关系中包含位置信息和位置信息所处环境的图像。
S302:在预设的商户信息集合中,查询与所确定的位置信息相匹配的商户信息。
其中,预设的商户信息集合中包含的是待核查的商户信息。
商户信息中包含商户位置信息,根据S301确定的位置信息,在商户信息集合中查询与所确定的位置信息的距离在预设范围内的商户位置信息对应的商户信息。
也就是说,查询所确定的位置信息附近的商户信息。
S303:针对目标对应关系所关联的图像进行图像识别。
具体的图像识别算法可以参见上述信息获取方法实施例中S202的解释,此处不再赘述。
S304:判断图像识别结果与查询得到的商户信息是否匹配,如果是则确定该商户信息的真实性。
图像识别结果可以是图像中的文本信息,也可以是图像中的商户标识信息。本实施例对图像识别结果的形式不作限定。
如果图像识别结果中,包含查询得到的任一商户信息,例如,图像中的文本信息包含查询得到的任一商户的商户名称,或者图像中的商户标识信息包含查询得到的任一商户的商户标识信息,则判断图像识别结果与查询得到的商户信息相匹配,确定该商户信息的真实性。
上述方法实施例中确定的具有真实性的商户信息,可以用于支付风险识别。例如,由于从图像上判断,收款方的商户信息是真实的,位置信息及商户名称或商户标识信息相匹配,则可以降低支付风险,进一步提高了支付风险的识别准确率。
本说明书实施例还提供了一种用于支付风险识别的信息获取系统,包括客户端和服务端。其中客户端和服务端的数量本说明书不作限定。信息获取系统的一种示例的架构示意图如图2所示。
如图5所示,为本实施例提供的一种客户端的结构示意图。
其中,任一客户端可以包括:
信息获取模块401:用于调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息。
上传模块402:用于将所获取到的至少一张图像以及位置信息关联上传至服务端。
如图6所示,为本实施例提供的一种服务端的结构示意图。
服务端可以包括:
支付风险类型确定模块501:用于针对任一客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型。
对应关系建立模块502:用于针对该客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合。
本说明书实施例还提供了一种支付风险识别装置。如图7所示,为本说明书实施例提供的一种支付风险识别装置的结构示意图。
支付风险识别装置可以包括:
位置信息获取模块601:用于接收到支付请求后,获取付款方用户当前的位置信息。
风险类型确定模块602:用于根据所述对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型。
风险识别模块603:用于根据所确定的支付风险类型,对所述支付请求进行风险识别。
本说明书实施例还提供了一种商户信息核查装置。如图8所示,为本说明书实施例提供的一种商户信息核查装置的结构示意图。
商户信息核查装置可以包括:
位置信息确定模块701:用于针对所述对应关系集合中任一组目标对应关系,确定该目标对应关系中的位置信息。
商户信息查询模块702:用于在预设的商户信息集合中,查询与所确定的位置信息相匹配的商户信息。
图像识别模块703:用于针对所述目标对应关系所关联的图像进行图像识别。
信息真实性判断模块704:用于判断图像识别结果与查询得到的商户信息是否匹配,如果是则确定该商户信息的真实性。
上述系统实施例和装置实施例的解释可以参见上述方法实施例的描述,此处不再赘述。
本说明书实施例还提供一种计算机设备,其至少包括存储器、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,其中,处理器执行所述程序时实现一种支付风险识别方法、一种商户信息核查方法、一种应用于服务端的用于支付风险识别的信息获取方法或者一种应用于客户端的用于支付风险识别的信息获取方法。
图9示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本说明书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,该程序被处理器执行时实现一种支付风险识别方法、一种商户信息核查方法、一种应用于服务端的用于支付风险识别的信息获取方法或者一种应用于客户端的用于支付风险识别的信息获取方法。
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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
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,计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
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,对于系统实施例和装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例和装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本说明书实施例原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本说明书实施例的保护。

Claims (19)

1.一种用于支付风险识别的信息获取方法,包括:
任一客户端调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;将所获取到的至少一张图像以及位置信息关联上传至服务端;
服务端针对客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;
服务端针对客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:
服务端针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系。
2.根据权利要求1所述的方法,任一组对应关系中,还关联有客户端所上传的图像。
3.根据权利要求1所述的方法,所述调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型,包括:
调用预设算法,对图像中的环境场景类型进行识别;
根据预设的场景类型-支付风险类型对应关系,确定图像识别结果对应的支付风险类型。
4.根据权利要求3所述的方法,所述调用预设算法对图像进行识别,对图像中的环境场景类型进行识别,包括:
调用图像文本识别算法,对图像中的文本信息进行识别;
将识别得到的文本信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
5.根据权利要求3所述的方法,所述调用预设算法对图像进行识别,对图像中的环境场景类型进行识别,包括:
调用物品识别算法,对图像中的物品信息进行识别;
将识别得到的物品信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
6.一种用于支付风险识别的信息获取方法,应用于任一客户端,包括:
调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;将所获取到的至少一张图像以及位置信息关联上传至服务端,以使服务端执行以下操作:
针对客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;
针对客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系。
7.一种用于支付风险识别的信息获取方法,应用于服务端,包括:
针对任一客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;
针对该客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系;
其中,任一客户端上传的图像和位置信息是由该客户端调用摄像模块获取客户端设备当前所处环境的至少一张图像,并且获取客户端设备当前的位置信息后,将所获取到的至少一张图像以及位置信息关联上传至服务端的。
8.一种基于如权利要求1所述对应关系集合的支付风险识别方法,包括:
接收到支付请求后,获取付款方用户当前的位置信息;
根据所述对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型;
根据所确定的支付风险类型,对所述支付请求进行风险识别。
9.一种基于如权利要求2所述对应关系集合的商户信息核查方法,包括:
针对所述对应关系集合中任一组目标对应关系,确定该目标对应关系中的位置信息;
在预设的商户信息集合中,查询与所确定的位置信息相匹配的商户信息;
针对所述目标对应关系所关联的图像进行图像识别;
判断图像识别结果与查询得到的商户信息是否匹配,如果是则确定该商户信息的真实性。
10.一种用于支付风险识别的信息获取系统,包括客户端和服务端:
任一客户端包括:
信息获取模块:用于调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;
上传模块:用于将所获取到的至少一张图像以及位置信息关联上传至服务端;
服务端包括:
支付风险类型确定模块:用于针对任一客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;
对应关系建立模块:用于针对该客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系。
11.根据权利要求10所述的系统,任一组对应关系中,还关联有客户端所上传的图像。
12.根据权利要求10所述的系统,所述支付风险类型确定模块用于:
调用预设算法,对图像中的环境场景类型进行识别;
根据预设的场景类型-支付风险类型对应关系,确定图像识别结果对应的支付风险类型。
13.根据权利要求12所述的系统,所述支付风险类型确定模块用于:
调用图像文本识别算法,对图像中的文本信息进行识别;
将识别得到的文本信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
14.根据权利要求12所述的系统,所述支付风险类型确定模块用于:
调用物品识别算法,对图像中的物品信息进行识别;
将识别得到的物品信息输入预设的场景类型识别模型,确定图像中的环境场景类型。
15.一种客户端,包括:
信息获取模块:用于调用摄像模块获取客户端设备当前所处环境的至少一张图像、并且获取客户端设备当前的位置信息;
上传模块:用于将所获取到的至少一张图像以及位置信息关联上传至服务端,以使服务端执行以下操作:针对客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;针对客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系。
16.一种服务端,包括:
支付风险类型确定模块:用于针对任一客户端上传的图像,调用预设算法对图像进行识别、并确定图像识别结果对应的支付风险类型;所述图像识别结果包括图像中的环境场景类型;
对应关系建立模块:用于针对该客户端上传的位置信息、以及所确定的支付风险类型,建立一组对应关系,并将该组对应关系添加到对应关系集合,包括:针对根据客户端上传的多个位置信息,将近似位置信息整合为一个区域;针对任一区域,根据该区域内各位置信息对应的支付风险类型统计结果,确定该区域对应的区域支付风险类型;建立该区域与区域支付风险类型的对应关系;
其中,任一客户端上传的图像和位置信息是由该客户端调用摄像模块获取客户端设备当前所处环境的至少一张图像,并且获取客户端设备当前的位置信息后,将所获取到的至少一张图像以及位置信息关联上传至服务端的。
17.一种基于如权利要求1所述对应关系集合的支付风险识别装置,包括:
位置信息获取模块:用于接收到支付请求后,获取付款方用户当前的位置信息;
风险类型确定模块:用于根据所述对应关系集合,确定付款方用户当前位置信息所对应的支付风险类型;
风险识别模块:用于根据所确定的支付风险类型,对所述支付请求进行风险识别。
18.一种基于权利要求2所述对应关系集合的商户信息核查装置,包括:
位置信息确定模块:用于针对所述对应关系集合中任一组目标对应关系,确定该目标对应关系中的位置信息;
商户信息查询模块:用于在预设的商户信息集合中,查询与所确定的位置信息相匹配的商户信息;
图像识别模块:用于针对所述目标对应关系所关联的图像进行图像识别;
信息真实性判断模块:用于判断图像识别结果与查询得到的商户信息是否匹配,如果是则确定该商户信息的真实性。
19.一种计算机设备,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,其中,所述处理器执行所述程序时实现如权利要求6至9任一项所述的方法。
CN202010407194.2A 2020-05-14 2020-05-14 一种支付风险识别方法及装置 Active CN111553702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407194.2A CN111553702B (zh) 2020-05-14 2020-05-14 一种支付风险识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407194.2A CN111553702B (zh) 2020-05-14 2020-05-14 一种支付风险识别方法及装置

Publications (2)

Publication Number Publication Date
CN111553702A CN111553702A (zh) 2020-08-18
CN111553702B true CN111553702B (zh) 2023-05-02

Family

ID=72008149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407194.2A Active CN111553702B (zh) 2020-05-14 2020-05-14 一种支付风险识别方法及装置

Country Status (1)

Country Link
CN (1) CN111553702B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232827A (zh) * 2020-10-29 2021-01-15 支付宝(杭州)信息技术有限公司 欺诈识别方法、装置和电子设备

Citations (2)

* 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
WO2020038092A1 (zh) * 2018-08-20 2020-02-27 阿里巴巴集团控股有限公司 一种支付风控方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106579B (zh) * 2013-01-15 2016-04-13 北京智能果技术有限公司 数据监控方法、手机支付终端、服务器及支付系统
CN104915832B (zh) * 2015-06-25 2019-05-14 中国工商银行股份有限公司 移动支付、验证方法及其装置与系统
CN109032810A (zh) * 2017-06-09 2018-12-18 阿里巴巴集团控股有限公司 业务过程的启动方法和装置
CN107578238A (zh) * 2017-08-08 2018-01-12 阿里巴巴集团控股有限公司 一种风险控制方法及设备
CN110210854B (zh) * 2019-05-31 2021-07-13 中国银联股份有限公司 支付信息处理方法、装置、设备及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020038092A1 (zh) * 2018-08-20 2020-02-27 阿里巴巴集团控股有限公司 一种支付风控方法及系统
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

Also Published As

Publication number Publication date
CN111553702A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
US11810115B2 (en) Method and system for determining terminal locations
US11232447B2 (en) System and method for enhanced transaction authorization
AU2014225973B2 (en) Predicting approval of transactions
US20140067656A1 (en) Method and system for fraud risk estimation based on social media information
CN108734380B (zh) 风险账户判定方法、装置及计算设备
US20150227934A1 (en) Method and system for determining and assessing geolocation proximity
AU2015277086B2 (en) Computing distances of devices
US20150170148A1 (en) Real-time transaction validity verification using behavioral and transactional metadata
CN105389488B (zh) 身份认证方法及装置
US20140358769A1 (en) Merchant data correction through location averaging
US20200394659A1 (en) System, Method, and Computer Program Product for Determining Fraud Rules
CN110945552B (zh) 一种产品销量提报方法、支付方法和终端设备
CN107657445A (zh) 一种在线支付方法及在线支付系统
TW202013282A (zh) 風險商家發現方法和裝置
CN110764665A (zh) 信息处理方法、信息处理装置及终端设备
CN111553702B (zh) 一种支付风险识别方法及装置
CN106296154A (zh) 事务处理方法和系统
CN111160919A (zh) 一种区块链地址风险评估方法及装置
US20150317635A1 (en) Electronic gesture-based signatures
KR20150061539A (ko) 허위판매 방지 시스템 및 그 제공방법
CN110705994B (zh) 一种风险用户检测方法及装置
CN110210868B (zh) 数值转移数据的处理方法及电子设备
CN104978652A (zh) 一种数据转移方法及相关设备、系统
KR102192327B1 (ko) 스몰 데이터를 이용한 신뢰지수 평가 및 예측 방법
CN110533297B (zh) 一种识别异常设备的方法及装置

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