CN112016929A - 线上支付的方法及装置、电子设备、计算机存储介质 - Google Patents

Abstract

本申请公开了一种线上支付的方法及装置、电子设备、计算机存储介质，所述方法包括：当接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息、当前交易的支付账户的历史交易数据；将交易数据以及客户信息输入预先训练好的第一神经网络模型中，得到当前交易的风险预估值；将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，得到当前交易的最终风险值；若最终风险值小于预设阈值，则对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问；若目标用户通过身份信息验证，并且目标用户的问题答案正确，则响应当前交易的支付请求；若最终风险值不小于预设阈值，则关闭当前交易。

Description

线上支付的方法及装置、电子设备、计算机存储介质

技术领域

本申请涉及线上支付技术领域，特别涉及一种线上支付的方法及装置、电子设备、计算机存储介质。

背景技术

随着电子商务的不断发展，不仅线上交易的数量不断地增加，而且支付方式也更加的简单便捷，因此线上交易的安全性也更加地重要。

现今，为了保证线上交易的安全性，避免给用户造成损失，现有的主要支付方式就是在用户进行支付时对用户输入的密码进行验证，或者对用户的生物特征进行验证，例如脸部识别或者指纹支付，从而确定交易的安全性。

但是，由于很多时候，用户是在公共场合进行线上支付，所以线上支付密码很容易泄露，所以通过验证密码的方式并不能很好地确定交易的安全性，无法避免被盗刷。而通过对生物特征进行验证的方式，存在用户不注意时，获取用户的生物特征，或者通过照片、面具等方式，通过验证的情况发生，所以也无法有效地保证交易的安全性。可见，现有的支付方式通过验证的方式，并不能很好地保证线上交易的安全性。

发明内容

基于上述现有技术的不足，本申请提供了一种线上支付的方法及装置、电子设备、计算机存储介质，以解决现有的线上支付方式无法保证交易的安全性的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种线上支付的方法，包括：

当接收当前交易的支付请求时，获取所述当前交易的交易数据、所述当前交易的支付账户对应的客户信息以及所述当前交易的支付账户的历史交易数据；

将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值；

将所述当前交易的风险预估值以及所述历史交易数据输入预先训练好的第二神经网络模型中，通过所述第二神经网络模型计算得到所述当前交易的最终风险值；

判断所述最终风险值是否小于预设阈值；

若判断出所述最终风险值小于预设阈值，则对发起所述当前交易的目标用户进行身份信息验证以及向所述目标用户进行提问；

若所述目标用户通过身份信息验证，并且接收到的所述目标用户的问题答案正确，则响应所述当前交易的支付请求；

若判断出所述最终风险值不小于预设阈值，则关闭所述当前交易。

可选地，在上述的线上支付的方法中，所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值之前，还包括：

获取所述当前交易的交易时间、交易地点以及交易设备标识；

分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、所述当前交易的交易设备标识与历史交易设备标识的偏差值；

判断各个所述偏差值的总和是否大于预设偏差值；

若判断出各个所述偏差值的总和大于预设偏差值，则执行所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值。

可选地，在上述的线上支付的方法中，所述分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、交易设备标识与历史交易设备标识的偏差值，包括：

计算所述当前交易的交易时间与各个历史交易时间的时间差值，并将最小的所述时间差值作为所述当前交易的交易时间与历史交易时间的偏差值；

计算所述当前交易的交易地点与各个历史交易地点的距离，并将最小的所述距离作为所述当前交易的交易地点与历史交易地点的偏差值；

判断是否存在与所述当前交易的交易设备标识相一致的历史交易设备标识；

若判断出存在与所述当前交易的交易设备标识相一致的历史交易设备标识，则将第一预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；

若判断出不存在与所述当前交易的交易设备标识相一致的历史交易设备标识，则将第二预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；其中，所述第一预设数值小于所述第二预设数值。

可选地，在上述的线上支付的方法中，所述判断年初所述最终风险值不小于预设阈值之后，还包括：

将所述当前交易的交易数据发送给交易管理员的客户端；

接收所述交易管理员的客户端反馈的审核结果；

若所述审核结果指示所述当前交易为高风险交易，则执行所述关闭所述当前交易；

若所述审核结果指示所述当前交易为低风险交易，则执行所述响应所述当前交易的支付请求。

本申请第二方面提供了一种线上支付的装置，包括：

第一获取单元，用于当接收当前交易的支付请求时，获取所述当前交易的交易数据、所述当前交易的支付账户对应的客户信息以及所述当前交易的支付账户的历史交易数据；

第一输入单元，用于将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值；

第二输入单元，用于将所述当前交易的风险预估值以及所述历史交易数据输入预先训练好的第二神经网络模型中，通过所述第二神经网络模型计算得到所述当前交易的最终风险值；

第一判断单元，用于判断所述最终风险值是否小于预设阈值；

身份验证单元，用于所述第一判断单元判断出所述最终风险值小于预设阈值时，对发起所述当前交易的目标用户进行身份信息验证以及向所述目标用户进行提问；

支付单元，用于在所述目标用户通过身份信息验证，并且接收到的所述目标用户的问题答案正确时，响应所述当前交易的支付请求；

关闭单元，用于在所述第一判断单元判断出所述最终风险值不小于预设阈值时，则关闭所述当前交易。

可选地，在上述的线上支付的装置中，还包括：

第二获取单元，用于获取所述当前交易的交易时间、交易地点以及交易设备标识；

偏差值计算单元，用于分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、所述当前交易的交易设备标识与历史交易设备标识的偏差值；

第二判断单元，用于判断各个所述偏差值的总和是否大于预设偏差值；其中，在所述第二判断单元判断出各个所述偏差值的总和大于预设偏差值时，所述第一输入单元执行所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值。

可选地，在上述的线上支付的装置中，所述偏差值计算单元，包括：

第一计算单元，用于计算所述当前交易的交易时间与各个历史交易时间的时间差值，并将最小的所述时间差值作为所述当前交易的交易时间与历史交易时间的偏差值；

第二计算单元，用于计算所述当前交易的交易地点与各个历史交易地点的距离，并将最小的所述距离作为所述当前交易的交易地点与历史交易地点的偏差值；

第三判断单元，用于判断是否存在与所述当前交易的交易设备标识相一致的历史交易设备标识；

第一赋值单元，用于在所述第三判断单元判断出存在与所述当前交易的交易设备标识相一致的历史交易设备标识时，将第一预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；

第二赋值单元，用于在所述第三判断单元判断出不存在与所述当前交易的交易设备标识相一致的历史交易设备标识时，将第二预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；其中，所述第一预设数值小于所述第二预设数值。

可选地，在上述的线上支付的装置中，还包括：

发送单元，用于将所述当前交易的交易数据发送给交易管理员的客户端；

接收单元，用于接收所述交易管理员的客户端反馈的审核结果；其中，若所述审核结果指示所述当前交易为高风险交易，则所述关闭单元执行所述关闭所述当前交易；若所述审核结果指示所述当前交易为低风险交易，则所述支付单元执行所述响应所述当前交易的支付请求。

本申请第三方面提供了一种电子设备，包括：

存储器和处理器；

其中，所述存储器用于存储程序；

所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的线上支付的方法。

本申请第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的线上支付的方法。

本申请提供的一种线上支付的方法，通过在接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据，然后将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到所述当前交易的风险预估值，并将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，通过第二神经网络模型计算得到所述当前交易的最终风险值，从而通过两级神经网络模型准确的简称当前交易的风险性，并在最终风险值不小于预设阈值时，关闭当前交易，避免给用户造成损失。而当最终风险值小于预设阈值时，为进一步保证交易的安全性，对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问，当目标用户通过身份信息验证，并且接收到的目标用户的问题答案正确，则响应当前交易的支付请求，从而可以有效地保证线上交易的安全性。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种线上支付的方法的流程示意图；

图2为本申请另一实施例提供的另一种线上支付的方法的流程示意图；

图3为本申请另一实施例提供的一种偏差值的计算方法的流程示意图；

图4为本申请另一实施例提供的一种线上支付的装置的结构示意图；

图5为本申请另一实施例提供的一种偏差计算单元的结构示意图；

图6为本申请另一实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，都属于本申请保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“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、物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、物品或者设备所固有的要素。在没有更多限制的情况下，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、物品或者设备中还存在另外的相同要素。

本申请实施例提供了一种线上支付的方法，如图1所示，具体包括如下步骤：

S101、当接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据。

其中，当前交易的交易数据具体可以包括当前交易的交易时间、交易类型、交易金额、交易地点、支付账户信息、收款账户信息等数据。当前交易的支付账户对应的客户信息指的是当前交易的支付账户的开户人的信息，具体可以包括有客户职业、客户学历、客户住址等数据。当前交易的支付账户的历史交易数据主要指的是支付账户的历史交易统计数据，例如支付账户在过去30天内累计交易次数、在过去30天内累计交易金额、过去30天内高风险交易的次数等。

具体的，当用户通过客户端针对交易发起支付时，向后台发送交易的支付请求，此时获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据。

S102、将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到当前交易的风险预估值。

其中，第一神经网络模型预先利用多笔低风险交易的交易数据和客户信息作为正样本数据，以及利用多笔高风险交易的交易数据和客户端信息作为负样本数据进行训练得到。由于，客户的具体情况，可以提醒用户正常的交易方式和消费水平，而高风险交易和低风险交易的交易数据，也存在明显的不同，所以本申请实施例中通过第一神经网络模型对当前交易的交易数据和客户信息进行处理，从而得到当前交易的风险预估值。

需要说明的是，在本申请实施例中，风险预估值越大说明交易的风险性越高。

S103、将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，通过第二神经网络模型计算得到当前交易的最终风险值。

由于，一个用户的消费以及交易方式，在一段时间内通常是相似的，所以通过用户的历史交易数据也能很好的预测交易的风险性。因此，在本申请实施例中，在得到当前交易的风险预估值后，将当前交易的风险预估值以及用户的历史交易数据输入预先训练好的第二神经网络模型中，以通过第二神经网络模型计算得到当前交易的最终风险值，进一步考虑了历史交易，从而能得到交易的风险值更加准确。并且，通过两个神经网络模型进行计算，能有效地避免通过不同类型的数据间相互干扰，使得输入的结果更能反映输入的数据对于交易风险性的影响，从而能得到更加精确的交易的风险值。

其中，第二神经网络模型中，预先利用多笔低风险交易的风险预估值和历史交易数据作为正样本数据，以及利用多笔高风险交易的风险预估值和历史交易数据作为负样本数据进行训练得到。需要说明的是，在其他数据相同的情况下，交易的风险预估值越大，则通过第二神经网络模型计算得到交易的最终风险值越大。

同样，当前交易的最终风险值越大，则说明当前交易的风险性越高。

S104、判断最终风险值是否小于预设阈值。

其中，若判断出最终风险值不小于预设阈值，则说明当前交易的风险相对较低，但是为了能进一步保证交易的安全性，因此此时执行步骤S105。若判断出最终风险值大于预设阈值，说明当前交易的风险相对较高，所以此时直接执行步骤S108。

S105、对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问。

具体的，可以是对发起当前交易的目标用户进行人脸识别或者指纹识别等方式的识别，识别目标用户是否为当前交易的支付账户的开户人。若识别出目标用户为当前交易的支付账户的开户人，则确定目标用户通过身份信息验证。并且，向目标用户发送问题，并接收用户回复的问题答案。其中，所发送的问题为预先设定的，用于验证目标用户的身份的问题。问题可以是问答题，也可以是选择题，或者其他形式的方式给出，并且给出的问题可以是一个也可以是多个。

S106、判断目标用户是否通过身份信息验证，并且接收到的目标用户的问题答案是否正确。

其中，若判断出目标用户通过身份信息验证，并且检验接收到的目标用户问题答案都完全正确，则执行步骤S107。若判断出目标用户未通过身份信息验证，或者接收到的目标用户的任意一个问题答案不正确，则执行步骤S108。

S107、响应当前交易的支付请求。

需要说明的是，响应当前交易的支付请求，即为继续执行正常的支付流程，从支付账户中将交易金额汇入收款账户中。

S108、关闭当前交易。

具体的，将发起的当前交易关闭，并拒绝当前交易的支付请求。可选地，在关闭当前交易后，可向用户发送告警信息，以告知用户的当前交易存在风险，当前交易已被取消。

本申请实施例提供的一种线上支付的方法，通过在接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据，然后将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到所述当前交易的风险预估值，并将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，通过第二神经网络模型计算得到所述当前交易的最终风险值，从而通过两级神经网络模型准确的简称当前交易的风险性，并在最终风险值不小于预设阈值时，关闭当前交易，避免给用户造成损失。而当最终风险值小于预设阈值时，为进一步保证交易的安全性，对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问，当目标用户通过身份信息验证，并且接收到的目标用户的问题答案正确，则响应当前交易的支付请求，从而可以有效地保证线上交易的安全性。

本申请另一实施例提供了另一种线上的支付方法，如图2所示，具体包括以下步骤：

S201、当接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据，交易数据至少包括当前交易的交易时间、交易地点以及交易设备标识。

需要说明的是，本申请实施例中，当前交易的交易数据至少包括当前交易的交易时间、交易地点以及交易设备标识，因此在获取交易数据时，即获取了当前交易的交易时间、交易地点以及交易设备标识。当前交易的也可以不包括当前交易的交易时间、交易地点以及交易设备标识，此时则需要额外获取当前交易的交易时间、交易地点以及交易设备标识。

其中，步骤S201的具体实施方式可相应地参考上述方法实施例中的步骤S101，此处不再赘述。

S202、分别计算当前交易的交易时间与历史交易时间、当前交易的交易地点与历史交易地点、当前交易的交易设备标识与历史交易设备标识的偏差值。

其中，历史交易时间指的是支付账户的历史交易的时间，具体可以是精确的时间点，可以是时间段，通常将发生频率满足预设频率的历史交易的时间设置为用于计算偏差值的历史交易时间，而不是将所有历史交易的时间都设置为用于计算偏差值的历史交易时间。历史交易地点则指的是支付账户的历史交易的地点，具体可以是地点的坐标，也可以是一个区域，同样通常只将发生频率满足预设频率的历史交易的地点设置为用于计算偏差值的历史交易地点。交易设备标识则是支付账户的进行历史交易是所使用的设备的标识，同样通常只将发生频率满足预设频率的历史交易的设备标识设置为用于计算偏差值的历史交易设备标识。

本申请实施例中通过当前交易的交易时间、交易地点以及交易设备标识与历史交易的交易时间、交易地点以及交易设备标识进行对比，初步判断交易的风险性。

具体的，从交易数据中提取出当前交易的交易时间、交易地点以及交易设备标识，然后计算计算当前交易的交易时间与历史交易时间的偏差值、计算当前交易的交易地点与历史交易地点的偏差值、以及当前交易的交易设备标识与历史交易设备标识的偏差值。

可选地，本申请另一实施例提供了一种步骤S202的具体实施方式，如图3所示，具体包括如下步骤：

S301、计算当前交易时间与各个历史交易时间的时间差值，并将最小的时间差值作为当前交易的交易时间与历史交易时间的偏差值。

需要说明的是，本申请实施例中，交易时间指的是在一天中的某个时间点或时间段。由于，历史交易时间通常为多个，所以需要计算当前交易时间与各个历史交易时间的时间差值。由于，用户通常的交易的时间，都会在历史交易时间点，或者非常临近某个历史交易时间内，而出现欺诈、盗刷等高风险行为时，交易时间与用户的历史交易时间出现较大差距的概率非常大。因此本申请中最小的时间差值，作为当前交易的交易时间与历史交易时间的偏差值。从而使得交易风险越大，则当前交易的交易时间与历史交易时间的偏差值越大。

S302、计算当前交易的交易地点与各个历史交易地点的距离，并将最小的距离作为当前交易的交易地点与历史交易地点的偏差值。

同样，用户通常只在自己长期居住的地方以及经常去的场所，或者这些地点的附近发生交易，所以当用户不在历史交易地点进行交易时，说明交易可能存在较大的风险性。并且，当前交易的交易地点距离历史交易地点越远则风险性越大。所以，本申请实施例中将并计算当前交易的交易地点与各个历史交易地点的距离，并将最小的距离作为当前交易的交易地点与历史交易地点的偏差值。

S303、判断是否存在与当前交易的交易设备标识相一致的历史交易设备标识。

同理，由于用户通常都只通过自己的收集或电脑等几个常用设备进行交易，所以若用户使用其他不属于历史交易设备的设备进行交易，则可能存在较大的风险性，因此通过判断是否存在与当前交易的交易设备标识相一致的历史交易设备标识，从而确定当前交易的设备是否为历史交易设备。

其中，若判断出存在与当前交易的交易设备标识相一致的历史交易设备标识，则执行步骤S304。若判断出不存在与当前交易的交易设备标识相一致的历史交易设备标识，则执行步骤S305。

S304、将第一预设数值作为当前交易的交易设备标识与历史交易设备标识的偏差值。

S305、第二预设数值作为当前交易的交易设备标识与历史交易设备标识的偏差值，第一预设数值小于第二预设数值。

由于，无法直接通过交易设备标识计算得到数值，所以采用赋值的方式进行赋值，在当前交易的交易设备不属于历史交易设备时，赋予较大的数值，从而反映当前交易存在较大的风险性。在当前交易的交易设备不属于历史交易设备时，赋予较小的数值，具体赋值可以是0，即第一预设值可以是0，从而反映在交易设备这个因素上，当前交易不存在风险，或者风险性较大。

需要说明的是，由于上述的三个偏差值的计算时相互独立的，所以本申请实施例中上述步骤301～步骤S306的执行顺序仅是其中一种可选的方式，也可以采用其他的顺序执行。并且，本申请实施例中计算三个偏差值的方式，也就是其中的一种示例，也可以采用其他的方式进行计算，只要得到的上述的三个的偏差值，可以反映出当前的交易风险的计算方式均属于本申请的保护范畴。

S203、判断各个偏差值的总和是否大于预设偏差值。

由于，在本申请实施例中，三个偏差值均是越大，则说明当前交易的风险性越高，因此通过判断上述三个偏差值的总和是否大于预设偏差值，从而确定当前交易是高风险交易，还是低风险交易。若判断出各个偏差值的总和大于预设偏差值，则说明当前交易的风险性较高，因此此时执行步骤S204。若判断出各个偏差值的总和不大于预设偏差值，则说明当前交易与用户日常交易类似，属于日常的交易行为，所以执行可以执行步骤S212。

需要说明的是，预设偏差值通常设置的相对较小，从而使得三个偏差值中的任意一个相对较大时，则需要执行后续的步骤，以保证支付的安全性。

S204、将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到所述当前交易的风险预估值。

需要说明的是，步骤S204的具体实施方式可相应的参考上述方法实施例中的步骤S102，此处不再赘述。

S205、将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，通过第二神经网络模型计算得到当前交易的最终风险值。

需要说明的是，步骤S205的具体实施方式可相应的参考上述方法实施例中的步骤S105，此处不再赘述。

S206、判断最终风险值是否小于预设阈值。

其中，若判断出最终风险值小于预设阈值，则说明当前交易的风险性较低，当为进一步保证交易的安全性，此时执行步骤S207。若判断最终风险值不小于预设阈值，则当前交易的风险性较高，可能超出了用户甚至超出了银行的承受范围，因此为了保证安全，本申请实施例中将会进一步通过人工进行审核，因此此时执行步骤S209。

S207、对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问。

其中，在执行步骤S207后执行步骤S208。

需要说明的是，步骤S207的具体实施方式可相应的参考上述方法实施例中的步骤S105，此处不再赘述。

S208、判断目标用户是否通过身份验证，并且接收到的目标用户的答案是否正确。

其中，若判断出目标用户通过身份验证，并且接收到的目标用户的答案正确，则执行步骤S212，若判断出目标用户未通过身份验证，或接收到的目标用户的答案不正确，则执行步骤S213。

S209、将当前交易的交易数据发送给交易管理员的客户端。

具体的，将当前的交易数据发送给交易管理员的客户端，有交易管理员进行审核，并在审核后通过客户端反馈审核结果。所以在执行步骤S209后执行步骤S210。

S210、接收交易管理员的客户端反馈的审核结果。

其中。在执行步骤S210后，执行步骤S211。

S211、判断审核结果是否指示当前交易为高风险交易。

其中，若判断出审核结果指示当前交易为高风险交易，则执行步骤S213；若判断出审核结果指示当前交易为低风险交易，则执行步骤S212。

S212、响应当前交易的支付请求。

需要说明的是，步骤S212的具体实施方式，可相应地参考上述方法实施例中的步骤S107，此处不再赘述。

S213、关闭当前交易。

需要说明的是，步骤S213的具体实施方式，可相应地参考上述方法实施例中的步骤S108，此处不再赘述。

本申请另一实施例提供了一种线上支付的装置，如图4所示，具体包括如下单元：

第一获取单元401，用于当接收当前交易的支付请求时，获取当前交易的交易数据、当前交易的支付账户对应的客户信息以及当前交易的支付账户的历史交易数据。

第一输入单元402，用于将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到当前交易的风险预估值。

第二输入单元403，用于将当前交易的风险预估值以及历史交易数据输入预先训练好的第二神经网络模型中，通过第二神经网络模型计算得到当前交易的最终风险值。

第一判断单元404，用于判断最终风险值是否小于预设阈值。

身份验证单元405，用于第一判断单元404判断出最终风险值小于预设阈值时，对发起当前交易的目标用户进行身份信息验证以及向目标用户进行提问。

支付单元406，用于在目标用户通过身份信息验证，并且接收到的目标用户的问题答案正确时，响应当前交易的支付请求。

关闭单元407，用于在第一判断单元404判断出最终风险值不小于预设阈值时，则关闭当前交易。

可选地，在本申请另一实施例提供的线上支付的装置中，还进一步包括如下单元：

第二获取单元，用于获取当前交易的交易时间、交易地点以及交易设备标识。

偏差值计算单元，用于分别计算当前交易的交易时间与历史交易时间、当前交易的交易地点与历史交易地点、当前交易的交易设备标识与历史交易设备标识的偏差值。

第二判断单元，用于判断各个偏差值的总和是否大于预设偏差值；其中，在第二判断单元判断出各个偏差值的总和大于预设偏差值时，第一输入单元402执行将交易数据以及客户信息输入预先训练好的第一神经网络模型中，通过第一神经网络模型计算得到当前交易的风险预估值。

可选地，在本申请另一实施例提供的线上支付的装置中，偏差值计算单元，如图5所示，具体包括如下单元：

第一计算单元501，用于计算当前交易的交易时间与各个历史交易时间的时间差值，并将最小的时间差值作为当前交易的交易时间与历史交易时间的偏差值。

第二计算单元502，用于计算当前交易的交易地点与各个历史交易地点的距离，并将最小的距离作为当前交易的交易地点与历史交易地点的偏差值。

第三判断单元503，用于判断是否存在与当前交易的交易设备标识相一致的历史交易设备标识。

第一赋值单元504，用于在第三判断单元503判断出存在与当前交易的交易设备标识相一致的历史交易设备标识时，将第一预设数值作为当前交易的交易设备标识与历史交易设备标识的偏差值。

第二赋值单元505，用于在第三判断单元503判断出不存在与当前交易的交易设备标识相一致的历史交易设备标识时，将第二预设数值作为当前交易的交易设备标识与历史交易设备标识的偏差值。

其中，第一预设数值小于第二预设数值。

可选地，在本申请另一实施例提供的线上支付的装置中，还包括如下单元：

发送单元，用于将当前交易的交易数据发送给交易管理员的客户端。

接收单元，用于接收交易管理员的客户端反馈的审核结果。

其中，若审核结果指示当前交易为高风险交易，则关闭单元执行关闭当前交易；若审核结果指示当前交易为低风险交易，则支付单元执行响应当前交易的支付请求。

需要说明的是，上述实施例中所公开的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤的实施方式，此处不再赘述。

本申请另一实施例提供了一种电子设备，如图6所示，包括：

存储器601和处理器602。

其中，存储器601用于存储程序。处理器602用于执行存储器601存储的程序。该程序被执行时，具体用于实现如上述任意一个方法实施例提供的线上支付的方法。

本申请第四方面提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个方法实施例提供的线上支付的方法。

计算机存储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(transitorymedia)，如调制的数据信号和载波。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种线上支付的方法，其特征在于，包括：

当接收当前交易的支付请求时，获取所述当前交易的交易数据、所述当前交易的支付账户对应的客户信息以及所述当前交易的支付账户的历史交易数据；

将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值；

将所述当前交易的风险预估值以及所述历史交易数据输入预先训练好的第二神经网络模型中，通过所述第二神经网络模型计算得到所述当前交易的最终风险值；

判断所述最终风险值是否小于预设阈值；

若判断出所述最终风险值小于预设阈值，则对发起所述当前交易的目标用户进行身份信息验证以及向所述目标用户进行提问；

若所述目标用户通过身份信息验证，并且接收到的所述目标用户的问题答案正确，则响应所述当前交易的支付请求；

若判断出所述最终风险值不小于预设阈值，则关闭所述当前交易。

2.根据权利要求1所述的方法，其特征在于，所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值之前，还包括：

获取所述当前交易的交易时间、交易地点以及交易设备标识；

分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、所述当前交易的交易设备标识与历史交易设备标识的偏差值；

判断各个所述偏差值的总和是否大于预设偏差值；

若判断出各个所述偏差值的总和大于预设偏差值，则执行所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值。

3.根据权利要求2所述的方法，其特征在于，所述分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、交易设备标识与历史交易设备标识的偏差值，包括：

计算所述当前交易的交易时间与各个历史交易时间的时间差值，并将最小的所述时间差值作为所述当前交易的交易时间与历史交易时间的偏差值；

计算所述当前交易的交易地点与各个历史交易地点的距离，并将最小的所述距离作为所述当前交易的交易地点与历史交易地点的偏差值；

判断是否存在与所述当前交易的交易设备标识相一致的历史交易设备标识；

若判断出存在与所述当前交易的交易设备标识相一致的历史交易设备标识，则将第一预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；

若判断出不存在与所述当前交易的交易设备标识相一致的历史交易设备标识，则将第二预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；其中，所述第一预设数值小于所述第二预设数值。

4.根据权利要求1所述的方法，其特征在于，所述判断年初所述最终风险值不小于预设阈值之后，还包括：

将所述当前交易的交易数据发送给交易管理员的客户端；

接收所述交易管理员的客户端反馈的审核结果；

若所述审核结果指示所述当前交易为高风险交易，则执行所述关闭所述当前交易；

若所述审核结果指示所述当前交易为低风险交易，则执行所述响应所述当前交易的支付请求。

5.一种线上支付的装置，其特征在于，包括：

第一获取单元，用于当接收当前交易的支付请求时，获取所述当前交易的交易数据、所述当前交易的支付账户对应的客户信息以及所述当前交易的支付账户的历史交易数据；

第一输入单元，用于将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值；

第二输入单元，用于将所述当前交易的风险预估值以及所述历史交易数据输入预先训练好的第二神经网络模型中，通过所述第二神经网络模型计算得到所述当前交易的最终风险值；

第一判断单元，用于判断所述最终风险值是否小于预设阈值；

身份验证单元，用于所述第一判断单元判断出所述最终风险值小于预设阈值时，对发起所述当前交易的目标用户进行身份信息验证以及向所述目标用户进行提问；

支付单元，用于在所述目标用户通过身份信息验证，并且接收到的所述目标用户的问题答案正确时，响应所述当前交易的支付请求；

关闭单元，用于在所述第一判断单元判断出所述最终风险值不小于预设阈值时，则关闭所述当前交易。

6.根据权利要求5所述的装置，其特征在于，还包括：

第二获取单元，用于获取所述当前交易的交易时间、交易地点以及交易设备标识；

偏差值计算单元，用于分别计算所述当前交易的交易时间与历史交易时间、所述当前交易的交易地点与历史交易地点、所述当前交易的交易设备标识与历史交易设备标识的偏差值；

第二判断单元，用于判断各个所述偏差值的总和是否大于预设偏差值；其中，在所述第二判断单元判断出各个所述偏差值的总和大于预设偏差值时，所述第一输入单元执行所述将所述交易数据以及所述客户信息输入预先训练好的第一神经网络模型中，通过所述第一神经网络模型计算得到所述当前交易的风险预估值。

7.根据权利要求6所述的装置，其特征在于，所述偏差值计算单元，包括：

第一计算单元，用于计算所述当前交易的交易时间与各个历史交易时间的时间差值，并将最小的所述时间差值作为所述当前交易的交易时间与历史交易时间的偏差值；

第二计算单元，用于计算所述当前交易的交易地点与各个历史交易地点的距离，并将最小的所述距离作为所述当前交易的交易地点与历史交易地点的偏差值；

第三判断单元，用于判断是否存在与所述当前交易的交易设备标识相一致的历史交易设备标识；

第一赋值单元，用于在所述第三判断单元判断出存在与所述当前交易的交易设备标识相一致的历史交易设备标识时，将第一预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；

第二赋值单元，用于在所述第三判断单元判断出不存在与所述当前交易的交易设备标识相一致的历史交易设备标识时，将第二预设数值作为所述当前交易的交易设备标识与历史交易设备标识的偏差值；其中，所述第一预设数值小于所述第二预设数值。

8.根据权利要求5所述的装置，其特征在于，还包括：

发送单元，用于将所述当前交易的交易数据发送给交易管理员的客户端；

接收单元，用于接收所述交易管理员的客户端反馈的审核结果；其中，若所述审核结果指示所述当前交易为高风险交易，则所述关闭单元执行所述关闭所述当前交易；若所述审核结果指示所述当前交易为低风险交易，则所述支付单元执行所述响应所述当前交易的支付请求。

9.一种电子设备，其特征在于，包括：

存储器和处理器；

其中，所述存储器用于存储程序；

所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如权利要求1至4任意一项所述的线上支付的方法。

10.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序被执行时，用于实现如权利要求1至4任意一项所述的线上支付的方法。

Images