CN111754245A - 一种经营场景照认证方法、装置和设备 - Google Patents
一种经营场景照认证方法、装置和设备 Download PDFInfo
- Publication number
- CN111754245A CN111754245A CN202010560381.4A CN202010560381A CN111754245A CN 111754245 A CN111754245 A CN 111754245A CN 202010560381 A CN202010560381 A CN 202010560381A CN 111754245 A CN111754245 A CN 111754245A
- Authority
- CN
- China
- Prior art keywords
- operation scene
- authenticated
- preset
- photo
- determining
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种经营场景照认证方法、装置和设备,其中,所述方法可以获取目标商户提交的待认证经营场景照;基于至少一个预设认证模型,确定待认证经营场景照在至少一个维度下的风险评分;基于待认证经营场景照在所述至少一个维度下的风险评分,确定待认证经营场景照在所述至少一个维度下的风险标签;基于待认证经营场景照在所述至少一个维度下的风险标签,向目标商户输出待认证经营场景照的真实性认证结果。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种经营场景照认证方法、装置和设备。
背景技术
商户在入驻网络售卖平台时,如在商品卖家入驻电商平台,餐饮店铺入驻外卖平台时,需要向网络售卖平台(以下简称网络平台)提交经营场景照。且应市场监管及风控要求,网络平台需要对商户提交的经营场景照的真实性进行认证,在认证通过后,才能进行后续的流程。
目前,由人工在线上对商户的经营场景照进行审核,或由人工在线下到商户的经营场所进行实地核实,成本高、效率低,需要改进。
发明内容
本说明书实施例提供了一种经营场景照认证方法、装置和设备,以提高经营场景照的审核效率,降低审核成本。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,提出了一种经营场景照认证方法,包括:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
第二方面,提出了一种经营场景照认证方法,包括:
第一获取模块,获取目标商户提交的待认证经营场景照;
风险评分确定模块,基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
风险标签确定模块,基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
认证模块,基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
第三方面,提出了一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
第四方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
由以上本说明书实施例提供的至少一个技术方案,能够基于至少一个预设认证模型,自动对待认证经营场景照在至少一个维度下存在的风险进行评分,并能自动根据待认证经营场景照在至少一个维度下的风险评分,确定待认证经营场景照在所述至少一个维度下的风险标签,并自动基于风险标签输出针对待认证经营场景照的真实性认证结果,因此,可以提高经营场景照的审核效率,降低审核成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本说明书的一个实施例提供的经营场景照认证方法的原理框架示意图。
图2是本说明书的一个实施例提供的一种经营场景照认证方法的流程示意图。
图3是本说明书的一个实施例提供的经营场景分类过程示意图。
图4是本说明书的一个实施例提供的经营场景照认证方法的原理示意图。
图5是本说明书的一个实施例提供的经营场景照认证方法的实例。
图6是本说明书的另一实施例提供的一种经营场景照认证方法的流程示意图。
图7是本说明书的又一实施例提供的一种经营场景照认证方法的流程示意图。
图8是本说明书的一个实施例提供的一种电子设备的结构示意图。
图9是本说明书的一个实施例提供的一种经营场景照认证装置的结构示意图。
图10是本说明书的另一实施例提供的一种经营场景照认证装置的结构示意图。
图11是本说明书的又一实施例提供的一种经营场景照认证装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本文件保护的范围。
为了提高经营场景照审核效率,降低审核成本,本说明书实施例提供一种经营场景照认证方法和装置。本说明书实施例提供的方法和装置可由电子设备执行,例如终端设备或服务端设备。换言之,所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述终端设备包括但不限于:智能手机、个人电脑(personal computer,PC)、笔记本电脑、平板电脑、电子阅读器、网络电视、可穿戴设备等智能终端设备中的任一种。
上述终端设备或服务端设备可以是支撑网络平台运行的终端设备或服务端设备,上述网络平台包括但不限于外卖平台、电商平台、旅行平台和在线支付平台等。
上述经营场景照可以是商户开展经营活动时拍摄的真实的经营场所照片,如门店类商家拍摄的门头照,摊贩类商家拍摄的摊位照,交通运输类商家拍摄的出租车照片、货车照片,以及酒店、旅馆等商家拍摄的大堂照片等。
经营场景照的认证包括但不限于经营场景照的真实性认证。真实性认证是指对商户提供的经营场景照进行真实性认证,具体是审核该照片是否是一张符合监管要求的经营场景照片,是否是商户本人的经营场景照片,而非盗用或冒用他人的经营场景照。
图1示出了本说明书实施例提供的一种经营场景照认证方案的原理框架示意图。如图1所示,本说明书实施例提供的一种经营场景照认证方案,可以包括如下四部分:业务场景单元11、信息采集单元12、智能认证单元13和智能决策单元14,可选地,还可以包括数据资产单元15。
一般而言,业务场景单元11可以包括一个商户入驻目标网络平台的场景(商户准入的场景),或者,一个商户签约目标网络平台提供的相关产品的场景等,图1仅示出了前者。
信息采集单元12,采集商户的凭证信息121和主体信息122,其中,凭证信息121采集是指获取商户上传的待认证经营场景照,主体信息122采集是指获取商户上传的预设认证信息(也称为商户主体信息),预设认证信息包括但不限于商户身份证明信息(如个体商户经营者的身份证号码)、商户名称、商户所属行业和商户所在地址等信息中的一种或多种。
智能认证单元13,将信息采集单元12采集的相应信息输入相应的预设认证模型132,输出或结合相应的策略131得到待认证经营场景照在至少一个维度下的风险评分133,然后基于待认证经营场景照在所述至少一个维度下的风险评分133,确定待认证经营场景照在所述至少一个维度下的风险标签134。该部分中具体采用的策略和模型将在下文中详细说明,此处暂不赘述。
智能决策单元14,依据智能认证单元13给出的待认证经营场景照在所述至少一个维度下的风险标签134进行智能决策,具体的,在基于智能认证单元13给出的待认证经营场景照在所述至少一个维度下的风险标签134,确定待认证经营场景照不属于真实的经营场景照时,自动驳回目标商户提交的待认证经营场景照;在基于智能认证单元13给出的待认证经营场景照在所述至少一个维度下的风险标签134,确定待认证经营场景照属于真实的经营场景照时,自动通过目标商户提交的待认证经营场景照;在基于智能认证单元13给出的待认证经营场景照在所述至少一个维度下的风险标签134,无法确定待认证经营场景照是否属于真实的经营场景照时,自动对待认证经营场景照进行二次校验,或流入人工审核队列继续等待进行二次校验。
数据资产单元15,对智能认证单元14认证完毕的经营场景照与其对应的风险标签进行对应保存,以作为数据资产沉淀下来,用于对该商户或其他商户后续提交的其他经营场景照的真实性进行认证。
本说明书实施例提供的一种经营场景照认证方案,可以理解为是一种智能的在线经营场景照认证方案,通过预先训练得到的至少一个模型和相应的决策略对商户的经营场景照自动进行审核,无需人工参与,无需人工线下到实体店核实,因此可以提高经营场景照的审核效率,降低审核成本。
在图1所示的原理框架的基础上,本说明书实施例提出了一种经营场景照认证方法,下面进行详细说明,
图2示出了本说明书的一个实施例提供的一种经营场景照认证方法的流程示意图。如图2所示,该方法可以包括:
步骤202、获取目标商户提交的待认证经营场景照。
一般而言,一个商户入驻目标网络平台(如餐饮店铺入驻外卖平台)时,或者签约目标网络平台提供的相关产品(线下便利店签约在线支付平台的“当面付”这一产品)时,会向目标网络平台提交一张或多张经营场景照,这些经营场景照即为待认证经营场景照。目标网络平台可以在接收到这些待认证经营场景照时立刻进行自动认证,也可以在接收到这些待认证经营场景照时先保存,并在合适的时间对这些待认证经营场景照进行自动认证。
目标商户可以是向目标网络平台提交待认证经营场景照的任何商户。
可选地,目标商户在提交待认证经营场景照时,还可能会额外提交预设认证信息,如目标商户的主体信息,具体如目标商户的身份证明信息、名称、行业和地址等等,这些预设认证信息中的一种或多种可以用于辅助下述预设认证模型,对待认证经营场景照的真实性做出认证。也就是说,图1所示的方法除了通过执行步骤202获取目标商户提交的待认证经营场景照,还会进一步获取目标商户提交的预设认证信息,且预设认证信息可以包括但不限于目标商户的身份证明信息、商户名称、行业和地址等信息中的一种或多种。
步骤204、基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分。
预设认证模型可以是预先基于样本数据训练得到的。针对一张待认证经营场景照,一个预设认证模型可以给出一个或多个维度的风险评分,这样一来,基于多个预设认证模型,可以给出多个维度的风险评分,且预设认证模型的数量与风险评分的维度并不一定是一一对应的。
在本说明书提供的实施例中,上述至少一个预设认证模型可以包括但不限于下述五个模型中的一个或多个:经营场景分类模型、异常图像识别模型、相似图像检测模型、图像文本识别模型和商户类别码识别模型。其中,经营场景分类模型,用于确定待认证经营场景照属于多个预设经营场景类型中各经营场景类型的评分;异常图像识别模型,用于识别待认证经营场景照属于预设异常图像的评分;相似图像检测模型,用于识别待认证经营场景照被不同商户重复提交的评分(用于识别批量提交风险);图像文本识别模型,用于识别待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的名称,并确定提取的名称与所述目标商户额外提交的名称不一致的评分(用于识别名称冲突风险);商户类别码识别模型,用于识别待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的商户类别码(Merchant Catagory Code,MCC),并确定提取的MCC与所述目标商户额外提交的MCC不一致的评分(用于识别MCC冲突风险)。
基于具体的预设认证模型确定相应的风险评分的内容,将在下文中详细说明,此处暂不赘述。
步骤206、基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签。
通常情况下,当待认证经营场景照在预设维度下的风险评分大于或等于预设评分时,给待认证经营场景照打上预设风险标签,其中,预设维度为所述至少一个维度中的一个或多个维度,预设风险标签与预设维度相对应。基于上述五个模型给出的风险评分,确定待认证经营场景照的风险标签的具体内容将在下文中结合具体模型一一进行说明。
步骤208、基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
具体的,当待认证经营场景照被打上一个或多个预设风险标签时,向所述目标商户输出所述待认证经营场景照不属于真实的经营场景照的认证结果,并自动驳回商户提交的该待认证经营场景照;当待认证经营场景照未被打上任何预设风险标签时,向所述目标商户输出所述待认证经营场景照属于真实的经营场景照的认证结果,并自动通过商户提交的该待认证经营场景照;当基于待认证经营场景照在所述至少一个维度下的风险标签,无法确定待认证经营场景照是否属于真实的经营场景照时,自动对待认证经营场景照进行二次认证,或流入人工审核队列继续等待进行二次认证。
上述预设风险标签可以是下文述及的下述标签中的一个或多个:待认证经营场景照属于非经营场景照,待认证经营场景照属于下述预设异常图像,待认证经营场景照属于被不同商户重复提交照片,待认证经营场景照中的商户名称与目标商户的真实名称不一致(冲突),以及待认证经营场景照中的MCC与目标商户的真实MCC不一致(冲突)。
下面结合上述五种预设认证模型对待认证经营场景照的认证过程进行详细的说明。可以理解,在实际应用中,步骤204中采用的至少一个预设认证模型可以是上述五种预设认证模型中的一个或多个。
(1)步骤204中的至少一个预设认证模型包括上述经营场景分类模型。
基于对中国人民银行发布的监管条文的理解以及对商户或小微商户的类别和真实经营场景的调研,可以将商户提供的经营场景照划分为如下七类:门头照、摊位照、公司前台、售卖机、门牌照、车头照及非经营场景照,并对不同类型的经营场景照定义清楚明确的图像标准,以门头照为例,门头照作为挂在商户门店外部的明显的照片图像,其中应含有商户名称和店铺logo。实验验证表明,此种分类方法可覆盖小微商户98%的图像类型。
基于上述划分方式,可以认为上述多个预设经营场景类型可以包括门头照、摊位照、公司前台照、售卖机照、门牌照、车头照和非经营场景照中的至少一种。
当上述多个预设经营场景类型包括门头照、摊位照、公司前台照、售卖机照、门牌照、车头照和非经营场景照时,上述经营场景分类模型可以看作是一个多分类模型,该多分类模型是基于包含上述多个预设经营场类型的样本图像训练得到的,具体可以是基于卷积神经网络(Convolutional Neural Networks,CNN)以及包含所述多个预设经营场景类型的训练样本训练得到的,且用于训练该多分类模型的预设经营场景类型的样本图像符合该预设经营场景类型的经营场景图像标准。
在训练好上述经营场景分类模型后,可以应用该经营场景分类模型对待认证经营场景照进行分类。相应的,上述步骤204可以包括:将待认证经营场景照输入所述经营场景分类模型,得到待认证经营场景照属于所述多个预设经营场景类型中各预设经营场景类型的评分;基于待认证经营场景照属于所述多个预设经营场景类型中各预设经营场景类型的评分,确定待认证经营场景照对应的经营场景类型,一般是将多个预设经营场景类型中评分最高的预设经营场景类型,确定为待认证经营场景照对应的经营场景类型。
例如,在基于CNN和上述多个预设经营场景类型的训练样本训练好上述经营场景分类模型后,可以应用该经营场景分类模型对待认证经营场景照进行分类。如图3所示,可以将一张待认证经营场景照(大胡子面馆的门头照)输入CNN模型(经营场景分类模型),CNN模型会从该待认证经营场景照中提取特征,并对提取的特征进行分类以后,输出该待认证经营场景照分别属于门头照、摊位照、公司前台照、售卖机照、门牌照、车头照和非经营场景照的评分,例如输出如下结果:
基于上述结果,可以确定出待认证经营场景照对应的经营场景类型,具体来说,由于待认证经营场景照属于“非经营场景照”的评分最高,因此,可以确定待认证经营场景照对应的经营场景类型为非经营场景照。
进一步地,在确定出待认证经营场景照对应的经营场景类型之后,上述步骤206可以包括:在待认证经营场景照对应的经营场景类型为非经营场景照时,给所述待认证经营场景照打上属于非经营场景照的风险标签;在待认证经营场景照对应的经营场景类型为经营场景照(门头照、摊位照、公司前台照、售卖机照、门牌照和车头照中的一种)时,继续采用其他预设认证模型进行认证,或结合其他预设认证模型给出的风险评分,确定待认证经营场景的风险标签。例如,如图3所示,如果待认证经营场景照属于“经营场景照”,则可以确定待认证经营场景照通过(pass)经营场景分类模型的认证,还可以继续采用其他预设认证模型进行认证;如果待认证经营场景照属于“非经营场景照”,则可以直接确定不属于真实的经营场景照,直接给出审核不通过的认证结果,无须再进行下一预设证模型的认证。
进一步地,在确定出待认证经营场景照对应的经营场景类型后,还可以基于待认证经营场景照对应的经营场景类型,确定目标商户的商户类型并作为所述目标商户的画像数据保存。具体的,可以基于预先设定的经营场景类型与商户类型的对应关系,确定目标商户的商户类型。例如,如图3所示,可以基于门头照、摊位照、公司前台照、售卖机照、门牌照、车头照这几种场景类型,将商户分为门店商家、流动摊贩、企业商户、IOT机具和交通出行这几类。
(2)步骤204中的至少一个预设认证模型包括上述异常图像识别模型。
上述异常图像识别模型,用于识别待认证经营场景照属于预设异常图像的评分,解决待认证经营场景为非真实拍摄,而是伪冒的风险,其中,预设异常图像可以包括但不限于截屏获得的图像、拍屏获得的图像、下载获得的图像、带水印的图像和通过图像处理(如PS)获得的图像中的一种或多种。上述异常图像识别模型是预先基于包含预设异常图像的训练样本训练得到的。
此时,上述步骤204可以包括:基于上述异常图像识别模型,确定待认证经营场景照属于上述预设异常图像的评分;相应的,上述步骤206可以包括:当待认证经营场景照属于上述预设异常图像的评分大于或等于第一预设评分时,给上述待认证经营场景照打上属于上述预设异常图像的风险标签;反之,给上述待认证经营场景照打上不属于上述预设异常图像的风险标签,或给上述待认证经营场景照不打任何风险标签。
(3)步骤204中的至少一个预设认证模型包括上述相似图像检测模型。
上述相似图像检测模型,用于识别待认证经营场景照被不同商户重复提交的评分,解决不同的商户用相同或相似的图标作为经营场景照重复批量提交的风险。
此时,上述步骤204可以包括:基于上述相似图像监测模型,确定预设图像集合中与待认证经营场景照相似的图像数量,基于相似的图像数量确定待认证经营场景照被不同商户重复提交的评分,其中,预设图像集合由已认证的经营场景照形成,已认证的经营场景照可以是认证通过的也可以是未认证通过的;相应的,上述步骤206可以包括:当所述待认证经营场景照被不同商户重复提交的评分大于或等于第二预设评分时,给所述待认证经营场景照打上被不同商户重复提交的风险标签;反之,给所述待认证经营场景照打上未被不同商户重复提交的风险标签,或给上述待认证经营场景照不打任何风险标签。
作为一个例子,可以预先设置相似的图像数量与待认证经营场景照被不同商户重复提交的评分的对应关系,然后根据该对应关系确定待认证经营场景照被不同商户重复提交的评分。
作为另一个例子,可以根据相似的图像数量占预设图像集合中图像总数的百分比,确定待认证经营场景照被不同商户重复提交的评分,例如可以直接将所占百分比中的分子确定为待认证经营场景照被不同商户重复提交的评分,具体如,假设预设图像集合中与待认证经营场景照相似的图像数量的占比为20%,那么待认证经营场景照被不同商户重复提交的评分可以为20分。
作为另一个例子,还可以根据相似的图像数量以及预设图像集合中与待认证经营场景照相似的图像的风险标签,确定待认证经营场景照被不同商户重复提交的评分。具体的,可以对预设图像集合中与待认证经营场景照相似的图像的风险标签设置权重,然后根据各相似图像数量的加权和占预设图像集合中图像总数的百分比,确定待认证经营场景照被不同商户重复提交的评分。例如,假设预设图像集合中有1000张图像,其中与待认证经营场景照相似的图像有150张,然后将这150张图像中具有上述预设风险标签的图像(假设70张)权重设置为1.1,将这150张图像中不具有上述预设风险标签或没有风险标签的图像(假设80张)的权重设为1,那么相似图像数量的加权和占图像总数的百分比为:(70*1.1+80*1)/1000=15.7%,相应的,待认证经营场景照被不同商户重复提交的评分为:15.7。
上述第二预设评分可以根据实际需要灵活设定,当待认证经营场景照被不同商户重复提交的评分的取值范围为[0,100],上述第二预设评分可以设为5分。
(4)步骤204中的至少一个预设认证模型包括上述图像文本识别模型。
上述图像文本识别模型,用于识别待认证经营场景照中文本内容,从文本内容中提取所述目标商户的名称,并确定提取的名称与目标商户额外提交的名称不一致的评分,以解决待认证经营场景照中的商户名称与目标商户的真实名称不一致的冲突风险。其中,图像文本识别模型可以采用光学字符识别(Optical Character Recognition,OCR)识别待认证经营场景照中的文本。上述图像文本识别模型是基于包含商户名称经营场景照的训练样本训练得到的。
可选地,当上述步骤204中的至少一个预设认证模型包括上述图像文本识别模型时,在步骤204之前,图2所示的方法还可以包括:获取目标商户额外提交的预设认证信息,其中,预设认证信息包括目标商户的名称。
此时,上述步骤204可以包括:基于上述图像文本识别模型,识别待认证经营场景照中文本内容,从文本内容中提取目标商户的名称,并确定提取的名称与目标商户额外提交的名称不一致的评分;相应的,上述步骤206可以包括:当提取的名称与目标商户额外提交的名称不一致的评分大于或等于第三预设评分时,给待认证经营场景照打上经营场景照中的商户名称与目标商户的真实名称不一致的风险标签;反之,给待认证经营场景照打上经营场景照中的商户名称与目标商户的真实名称一致的风险标签,或给上述待认证经营场景照不打任何风险标签。
一般而言,一致和不一致是两个相对立的概念,因此,如果说评分的取值范围为[0,1]的话,那么当二者一致时,评分可以是0,当二者不一致时,评分可以是1,此时上述第三预设评分的取值可以是1;或者,如果说评分的取值范围为[0,100]的话,那么当二者一致时,评分可以是0,当二者不一致时,评分可以是100,此时上述第三预设评分的取值可以是100。
(5)步骤204中的至少一个预设认证模型包括上述商户类别码识别模型。
上述商户类别码识别模型,用于识别待认证经营场景照中文本内容,从文本内容中提取目标商户的商户类别码MCC,并确定提取的MCC与目标商户额外提交的MCC不一致的评分,以解决待认证经营场景照中的MCC与目标商户的真实MCC不一致的冲突风险。上述商户类别码识别模型是基于包含MCC的经营场景照的训练样本训练得到的。
可选地,当上述步骤204中的至少一个预设认证模型包括上述商户类别码识别模型时,在步骤204之前,图2所示的方法还可以包括:获取目标商户额外提交的预设认证信息,其中,预设认证信息包括目标商户的MCC。
此时,上述步骤204可以包括:基于商户类别码识别模型,识别待认证经营场景照中文本内容,从文本内容中提取所述目标商户的MCC,并确定提取的MCC与目标商户额外提交的MCC不一致的评分;相应的,上述步骤206可以包括:当提取的MCC与目标商户额外提交的MCC不一致的评分大于或等于第四预设评分时,给待认证经营场景照打上经营场景照中的MCC与所标商户的真实MCC不一致的风险标签;反之,给待认证经营场景照打上经营场景照中的MCC与目标商户的真实MCC一致的风险标签,或给上述待认证经营场景照不打任何风险标签。
一般而言,一致和不一致是两个相对立的概念,因此,如果说评分的取值范围为[0,1]的话,那么当二者一致时,评分可以是0,当二者不一致时,评分可以是1,此时上述第四预设评分的取值可以是1;或者,如果说评分的取值范围为[0,100]的话,那么当二者一致时,评分可以是0,当二者不一致时,评分可以是100,此时上述第四预设评分的取值可以是100。
图4示出了应用上述五个预设认证模型对待认证经营场景照进行认证的框架,如图4所示,可以根据上述五个认证模型从五个维度对待认证经营场景照进行认证,具体为:①采用上述经营场分类模型对待认证经营场景照进行分类识别,其识别结果可以是待认证经营场景照对应的经营场景类型是门头照、摊位照、公司前台照、售卖机照、门牌照、车头照和非经营场景照这几种类型中的哪一种类型;②采用上述异常图像监测模型,确定待认证经营场景照是否属于截屏获得的图像、拍屏获得的图像、下载获得的图像、带水印的图像和通过图像处理(如PS)获得的图像中的一种或多种;③采用上述相似图像检测模型,确定待认证经营场景照是否与预设图像集合(图像底库)中的图像相似或重复;④采用上述图像文本识别模型,提取待认证经营场景中的文本,并确定该文本中的商户名称与目标商户的真实名称是否一致;⑤采用上述商户类别码识别模型,识别待认证经营场景照中的MCC与目标商户的真实MCC是否一致。最后,基于这五个维度中的一个或多个维度的识别结果,给待认证经营场景照是否属于真实的经营场景照的认证结果,并决定是否通过审核。
图5是基于图4所示的认证框架进行认证的一个实例。如图5所示,对“申度鞋业”这一待认证经营场景照,目标商户的主体信息包括:商户名称为“杨*”,签约时间为“2019-7-25”,签约产品为“当面付”,所属行业为“商业及生活服务-生活服务-其他生活服务”,根据上述五个认证模型从五个维度进行认证的具体过程为:
①采用上述经营场分类模型对待认证经营场景照进行分类识别,其识别结果是:经营场景类型为门头照,商户类型为门店类商家,打上“门头照”这一标签,或不打任何标签;
②采用上述异常图像监测模型,确定待认证经营场景照属于伪冒图像,具体是PS图像,打上“PS图像”这一风险标签;
③采用上述相似图像检测模型,确定待认证经营场景照与图像底库中的146张图片相似,对应141家商户,打上“被不同商户”重复提交的风险标签;
④采用上述图像文本识别模型,从待认证经营场景中提取的商户名称为“申度鞋业”,但用户提交的商户名称却是“杨*”,二者不一致,打上“认证经营场景中的商户名称与目标商户的真实名称不一致”的风险标签;
⑤采用上述商户类别码识别模型,识别出待认证经营场景照中的MCC为“生活百货-服饰鞋包-鞋类”,但目标商户提交的MCC却为“商业及生活服务-生活服务-其他生活服务”,二者不一致,打上“认证经营场景中的MCC与目标商户的真实MCC不一致”的风险标签。
最后,基于上述五个维度中给出的风险标签(包含上述文中的预设风险标签),可以确定待认证经营场景照是不属于真实的经营场景照,给出认证不通过的结果。
在本说明书实施例中,当步骤204中的至少一个预设模型具体包含多个预设认证模型时,可以基于这多个预设认证模型并行对待认证经营场景照进行认证,也可以按照一定的优先顺序采用这多个预设认证模型对待认证经营场景照进行认证。也即,可以针对这多个预设认证模型统一顺序执行步骤204至步骤208;按一定的优先级顺序遍历这多个预设认证模型,并对当前被遍历的预设认证模型执行上述步骤204至208(此时上述步骤204至步骤208中的至少一个预设认证模型为当前预设认证模型),在遍历结束时,或者在步骤208输出的结果为待认证经营场景照不属于真实的经营场景照时,结束循环。
对于前者,可以在基于多个预设认证模型得到待认证经营场景照在多个维度下的风险评分,并基于待认证经营场景照在多个维度下的风险评分确定出待认证经营场景照在多个维度下的风险标签之后,综合考虑多个维度下的风险标签,给出待认证经营场景照的真实性认证结果。
对于后者,可以按照优先级从高到低的顺序,先基于优先级高的预设认证模型(当前预设认证模型)对待认证经营场景照进行风险评分;再基于该风险评分确定待认证经营场景照在该高优先级的预设认证模型对应的维度下的风险标签;然后基于待认证经营场景照在该高优先级的预设认证模型对应的维度下的风险标签,给出待认证经营场景照的真实性认证结果;在当前预设认证模型的真实性认证结果为待认证经营场景照属于真实经营场景照的情况下,基于下一优先级的预设认证模型继续进行认证,如此循环,直到遍历上述多个预设认证模型;在当前预设认证模型的真实性认证结果为待认证经营场景照不属于真实经营场景照的情况下,结束认证,并输出认证结果。
可以理解,后一种方式在某种程度上可以提高认证效率,例如,如果将经营场景分类模型设置为优先级最高的预设认证模型时,如果基于经营场景分类模型确定待认证经营场景照对应的经营场景类型为“非经营场景照”时,可以直接给出待认证经营场景照不属于真实经营场景照的认证结果,无需再使用其他预设认证模型再进行认证,从而如果可以提高认证效率。
可选地,上述五个预设认证模型的优先级顺序从高到低依次可以为:经营场景分类模型、异常图像识别模型、相似图像检测模型、图像文本识别模型和商户类别码识别模型。
图2所示的一个实施例提供的一种经营场景照认证方法,能够基于至少一个预设认证模型,自动对待认证经营场景照在至少一个维度下存在的风险进行评分,并能自动根据待认证经营场景照在至少一个维度下的风险评分,确定待认证经营场景照在所述至少一个维度下的风险标签,并自动基于风险标签输出针对待认证经营场景照的真实性认证结果,因此,可以提高经营场景照的审核效率,降低审核成本,而且审核准确性高。
可选地,如图6所示,在本说明书的另一实施例中,本说明书提供的一种经营场景照认证方法,除了包括上述步骤202至步骤208,还可以包括:
步骤210、向目标商户输出待认证经营场景照对应的一个或多个预设风险标签。
可以理解,通过向目标商户反馈其提交的待认证经营场景照对应的一个或多个预设风险标签,可以让目标商户知晓其提交的待认证经营场景照未审核通过的理由,从而加以修正并上传真实的经营场景照。
可选地,如图7所示,在本说明书的另一实施例中,本说明书提供的一种经营场景照认证方法,除了包括上述步骤202至步骤208,还可以包括:
步骤212、对应存储待认证经营场景照和该待认证经营场景照对应的所述一个或多个预设风险标签。
可以理解,存储待认证经营场景照和该待认证经营场景照对应的所述一个或多个预设风险标签,可以沉淀商户数据,形成更丰富的数据资产,为将来对目标商户及其他商户的相关认证准备好相关数据。
以上是对本说明书提供的方法实施例的说明,下面对本说明书提供的电子设备进行介绍。
图8是本说明书的一个实施例提供的电子设备的结构示意图。请参考图8,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成经营场景照认证装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
上述如本说明书图2、图6或图7所示实施例揭示的经营场景照认证方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图2、图6或图7所示的实施例提供的经营场景照认证方法,本说明书在此不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图2、图6或图7所示实施例的方法,并具体用于执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
下面对本说明书提供的装置进行说明。
如图9所示,本说明书的一个实施例提供了一种经营场景照认证装置900,在一种软件实施方式中,装置900可包括:第一获取模块901、风险评分确定模块902、风险标签确定模块903和认证模块904。
第一获取模块901,获取目标商户提交的待认证经营场景照。
风险评分确定模块902,基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分。
在本说明提供的实施例中,上述至少一个预设认证模型可以包括但不限于下述五个模型中的一个或多个:经营场景分类模型、异常图像识别模型、相似图像检测模型、图像文本识别模型和商户类别码识别模型。
风险标签确定模块903,基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签。
通常情况下,当待认证经营场景照在预设维度下的风险评分大于或等于预设评分时,给待认证经营场景照打上预设风险标签,其中,预设维度为所述至少一个维度中的一个或多个维度,预设风险标签与预设维度相对应。
认证模块904,基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
具体的,当待认证经营场景照被打上一个或多个预设风险标签时,向所述目标商户输出所述待认证经营场景照不属于真实的经营场景照的认证结果,并自动驳回商户提交的该待认证经营场景照;当待认证经营场景照未被打上任何预设风险标签时,向所述目标商户输出所述待认证经营场景照属于真实的经营场景照的认证结果,并自动通过商户提交的该待认证经营场景照;当基于待认证经营场景照在所述至少一个维度下的风险标签,无法确定待认证经营场景照是否属于真实的经营场景照时,自动对待认证经营场景照进行二次认证,或流入人工审核队列继续等待进行二次认证。
上述预设风险标签可以是下文述及的下述标签中的一个或多个:待认证经营场景照属于非经营场景照,待认证经营场景照属于下述预设异常图像,待认证经营场景照属于被不同商户重复提交照片,待认证经营场景照中的商户名称与目标商户的真实名称不一致(冲突),以及待认证经营场景照中的MCC与目标商户的真实MCC不一致(冲突)。
需要说明的是,经营场景照认证装置900能够实现图2的方法,并能取得相同的技术效果,详细内容可参考图2所示的方法,不再赘述。
可选地,如图10所示,本说明书的提供的一种经营场景照认证装置900,除了可以包括第一获取模块901、风险评分确定模块902、风险标签确定模块903和认证模块904,还可以包括标签反馈模块905。
标签反馈模块905,向目标商户输出待认证经营场景照对应的一个或多个预设风险标签。
需要说明的是,图10所示的经营场景照认证装置900能够实现图6的方法,并能取得相同的技术效果,详细内容可参考图6所示的方法,不再赘述。
可选地,如图11所示,本说明书的提供的一种经营场景照认证装置900,除了可以包括第一获取模块901、风险评分确定模块902、风险标签确定模块903和认证模块904,还可以包括保存模块906。
保存模块906,对应存储待认证经营场景照和该待认证经营场景照对应的所述一个或多个预设风险标签。
需要说明的是,图11所示的经营场景照认证装置900能够实现图7的方法,并能取得相同的技术效果,详细内容可参考图7所示的方法,不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制时,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (18)
1.一种经营场景照认证方法,包括:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
2.根据权利要求1所述的方法,
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:
当所述待认证经营场景照在预设维度下的风险评分大于或等于预设评分时,给所述待认证经营场景照打上预设风险标签,其中,所述预设维度为所述至少一个维度中的一个或多个维度,所述预设风险标签与所述预设维度相对应;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果,包括:
当所述待认证经营场景照被打上一个或多个预设风险标签时,向所述目标商户输出所述待认证经营场景照不属于真实的经营场景照的认证结果。
3.根据权利要求2所述的方法,还包括:
向所述目标商户输出所述待认证经营场景照对应的所述一个或多个预设风险标签。
4.根据权利要求2所述的方法,还包括:
对应存储所述待认证经营场景照和所述待认证经营场景照对应的所述一个或多个预设风险标签。
5.根据权利要求2-4任一项所述的方法,所述至少一个预设认证模型包括下述模型中的至少一个:经营场景分类模型、异常图像识别模型、相似图像检测模型、图像文本识别模型和商户类别码识别模型,其中:
所述经营场景分类模型,用于确定所述待认证经营场景照属于多个预设经营场景类型中各经营场景类型的评分;
所述异常图像识别模型,用于识别所述待认证经营场景照属于预设异常图像的评分;
所述相似图像检测模型,用于识别所述待认证经营场景照被不同商户重复提交的评分;
所述图像文本识别模型,用于识别所述待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的名称,并确定提取的名称与所述目标商户额外提交的名称不一致的评分;
所述商户类别码识别模型,用于识别所述待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的商户类别码MCC,并确定提取的MCC与所述目标商户额外提交的MCC不一致的评分。
6.根据权利要求5所述的方法,所述至少一个预设认证模型包括所述经营场景分类模型;
其中,所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分,包括:将所述待认证经营场景照输入所述经营场景分类模型,得到所述待认证经营场景照属于所述多个预设经营场景类型中各预设经营场景类型的评分;基于所述待认证经营场景照属于所述多个预设经营场景类型中各预设经营场景类型的评分,确定所述待认证经营场景照对应的经营场景类型;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:在所述待认证经营场景照对应的经营场景类型为非经营场景照时,给所述待认证经营场景照打上属于非经营场景照的风险标签。
7.根据权利要求6所述的方法,其中,所述基于所述待认证经营场景照属于所述多个预设经营场景类型中各预设经营场景类型的评分,确定所述待认证经营场景照对应的经营场景类型,包括:
将多个预设经营场景类型中评分最高的预设经营场景类型,确定为所述待认证经营场景照对应的经营场景类型。
8.根据权利要求7所述的方法,还包括:
基于所述待认证经营场景照对应的经营场景类型,确定所述目标商户的商户类型并作为所述目标商户的画像数据保存。
9.根据权利要求6所述的方法,
所述多个预设经营场景类型包括门头照、摊位照、公司前台照、售卖机照、门牌照、车头照和非经营场景照中的至少一种。
10.根据权利要求6-9任一项所述的方法,
所述经营场景分类模型是基于卷积神经网络CNN以及包含所述多个预设经营场景类型的训练样本训练得到的。
11.根据权利要求5所述的方法,所述至少一个预设认证模型包括所述异常图像识别模型;
其中,所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分,包括:基于所述异常图像识别模型,确定所述待认证经营场景照属于所述预设异常图像的评分;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:当所述待认证经营场景照属于所述预设异常图像的评分大于或等于第一预设评分时,给所述待认证经营场景照打上属于所述预设异常图像的风险标签。
12.根据权利要求11所述的方法,
所述预设异常图像包括截屏获得的图像、拍屏获得的图像、下载获得的图像、带水印的图像和通过图像处理获得的图像中的一种或多种。
13.根据权利要求5所述的方法,所述至少一个预设认证模型包括所述相似图像检测模型;
其中,所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分,包括:基于所述相似图像监测模型,确定预设图像集合中与所述待认证经营场景照相似的图像数量,基于所述图像数量确定所述待认证经营场景照被不同商户重复提交的评分,所述预设图像集合由已认证的经营场景照形成;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:当所述待认证经营场景照被不同商户重复提交的评分大于或等于第二预设评分时,给所述待认证经营场景照打上被不同商户重复提交的风险标签。
14.根据权利要求5所述的方法,所述至少一个预设认证模型包括所述图像文本识别模型,在所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分之前,所述方法还包括:
获取所述目标商户额外提交的预设认证信息,其中,所述预设认证信息包括所述目标商户的名称;
其中,所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分,包括:基于所述图像文本识别模型,识别所述待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的名称,并确定提取的名称与所述目标商户额外提交的名称不一致的评分;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:当提取的名称与所述目标商户额外提交的名称不一致的评分大于或等于第三预设评分时,给所述待认证经营场景照打上经营场景照中的商户名称与所述目标商户的真实名称不一致的风险标签。
15.根据权利要求5所述的方法,所述至少一个预设认证模型包括所述商户类别码识别模型,在所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分之前,所述方法还包括:
获取所述目标商户额外提交的预设认证信息,其中,所述预设认证信息包括所述目标商户的MCC;
其中,所述基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分,包括:基于所述商户类别码识别模型,识别所述待认证经营场景照中文本内容,从所述文本内容中提取所述目标商户的MCC,并确定提取的MCC与所述目标商户额外提交的MCC不一致的评分;
其中,所述基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签,包括:当提取的MCC与所述目标商户额外提交的MCC不一致的评分大于或等于第四预设评分时,给所述待认证经营场景照打上经营场景照中的MCC与所述目标商户的真实MCC不一致的风险标签。
16.一种经营场景照认证装置,包括:
第一获取模块,获取目标商户提交的待认证经营场景照;
风险评分确定模块,基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
风险标签确定模块,基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
认证模块,基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
17.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
18.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取目标商户提交的待认证经营场景照;
基于至少一个预设认证模型,确定所述待认证经营场景照在至少一个维度下的风险评分;
基于所述待认证经营场景照在所述至少一个维度下的风险评分,确定所述待认证经营场景照在所述至少一个维度下的风险标签;
基于所述待认证经营场景照在所述至少一个维度下的风险标签,向所述目标商户输出所述待认证经营场景照的真实性认证结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560381.4A CN111754245B (zh) | 2020-06-18 | 2020-06-18 | 一种经营场景照认证方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560381.4A CN111754245B (zh) | 2020-06-18 | 2020-06-18 | 一种经营场景照认证方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754245A true CN111754245A (zh) | 2020-10-09 |
CN111754245B CN111754245B (zh) | 2022-12-09 |
Family
ID=72675513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010560381.4A Active CN111754245B (zh) | 2020-06-18 | 2020-06-18 | 一种经营场景照认证方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754245B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200631A (zh) * | 2020-10-12 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种行业分类模型的训练方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372322A1 (en) * | 2016-06-22 | 2017-12-28 | Microsoft Technology Licensing, Llc | Automation of image validation |
CN107609807A (zh) * | 2017-11-08 | 2018-01-19 | 厦门美亚商鼎信息科技有限公司 | 一种网络餐饮风险识别方法及系统 |
CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
CN110097248A (zh) * | 2019-03-19 | 2019-08-06 | 深圳壹账通智能科技有限公司 | 基于流立方技术的商户评级方法、装置、设备及存储介质 |
CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
CN110223050A (zh) * | 2019-06-24 | 2019-09-10 | 广东工业大学 | 一种商户门店名称的验证方法及相关装置 |
CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
CN110796454A (zh) * | 2019-10-09 | 2020-02-14 | 中国建设银行股份有限公司 | 一种企业认证的审核方法及装置 |
-
2020
- 2020-06-18 CN CN202010560381.4A patent/CN111754245B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372322A1 (en) * | 2016-06-22 | 2017-12-28 | Microsoft Technology Licensing, Llc | Automation of image validation |
CN107609807A (zh) * | 2017-11-08 | 2018-01-19 | 厦门美亚商鼎信息科技有限公司 | 一种网络餐饮风险识别方法及系统 |
CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
CN110097248A (zh) * | 2019-03-19 | 2019-08-06 | 深圳壹账通智能科技有限公司 | 基于流立方技术的商户评级方法、装置、设备及存储介质 |
CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
CN110223050A (zh) * | 2019-06-24 | 2019-09-10 | 广东工业大学 | 一种商户门店名称的验证方法及相关装置 |
CN110796454A (zh) * | 2019-10-09 | 2020-02-14 | 中国建设银行股份有限公司 | 一种企业认证的审核方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200631A (zh) * | 2020-10-12 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种行业分类模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111754245B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021098327A1 (zh) | 基于隐私数据保护的异常采集行为识别方法和装置 | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
US9069997B2 (en) | Biometric matching system using input biometric sample | |
TWI724530B (zh) | 線下自助結算方法、裝置和系統 | |
CN109064217B (zh) | 基于用户等级的核身策略确定方法、装置及电子设备 | |
CN109885597B (zh) | 基于机器学习的用户分群处理方法、装置及电子终端 | |
CN111126098B (zh) | 证件图像采集方法、装置、设备及存储介质 | |
CN111932363A (zh) | 授权书的识别审核方法、装置、设备及系统 | |
CN107766868A (zh) | 一种分类器训练方法及装置 | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
CN112487982A (zh) | 商户信息的审核方法、系统和存储介质 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
CN108323209A (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN111754245B (zh) | 一种经营场景照认证方法、装置和设备 | |
CN111598122A (zh) | 数据校验方法、装置、电子设备和存储介质 | |
CN111275071A (zh) | 预测模型训练、预测方法、装置及电子设备 | |
US11783030B2 (en) | Defense mechanism against component-wise hill climbing using synthetic face generators | |
CN109145938A (zh) | 一种使用分类器进行分类的方法和装置 | |
CN111400621B (zh) | 位置信息真实性校验方法、装置及电子设备 | |
CN113569839A (zh) | 证件识别方法、系统、设备及介质 | |
CN113343968A (zh) | 多模板证书快速审证方法、系统、介质及装置 | |
WO2022259573A1 (ja) | 処理装置、処理方法及びプログラム | |
CN114819142B (zh) | 拍屏图像识别及其模型的训练方法、装置和电子设备 | |
US20230334846A1 (en) | Document Image Quality Detection | |
KR20230043492A (ko) | 콘텐츠 거래를 위한 인공지능 검수 장치 및 그 방법 |
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 |