CN112101951B - 支付交易的检测方法及装置、存储介质及电子设备 - Google Patents

支付交易的检测方法及装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112101951B
CN112101951B CN202011032509.6A CN202011032509A CN112101951B CN 112101951 B CN112101951 B CN 112101951B CN 202011032509 A CN202011032509 A CN 202011032509A CN 112101951 B CN112101951 B CN 112101951B
Authority
CN
China
Prior art keywords
data set
data
payment transaction
prediction model
sample
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
CN202011032509.6A
Other languages
English (en)
Other versions
CN112101951A (zh
Inventor
余胜男
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202011032509.6A priority Critical patent/CN112101951B/zh
Publication of CN112101951A publication Critical patent/CN112101951A/zh
Application granted granted Critical
Publication of CN112101951B publication Critical patent/CN112101951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种支付交易的检测方法及装置、存储介质及电子设备，在接收到支付交易请求时，根据用户信息及交易信息确定支付交易的特征数据集，并构建特征数据集对应的第一输入数据集，通过已训练的第一预测模型与已训练的第三预测模型基于第一输入数据集分别进行预测。并依据第一预测模型输出的第一预测结果与第一输入数据集构建第二输入数据集，通过已训练的第二预测模型基于第二输入数据集进行预测，依据预设算法融合第二预测模型及第三预测模型，得到最终预测结果，以确定支付交易的检测结果。应用本发明的方法，结合多个已训练的预测模型进行预测，依据模型融合得到最终预测结果，可以提高支付交易的检测准确性，有利于保障用户的账户安全。

Description

支付交易的检测方法及装置、存储介质及电子设备
技术领域
本发明涉及金融安全技术领域，特别是涉及一种支付交易的检测方法及装置、存储介质及电子设备。
背景技术
人们在日常生活的交易场景中，越来越多地使用无现金化的支付方式，例如刷卡支付、账户转账等等，用户可以便捷地使用银行账户向他人进行支付，完成支付交易。
而在现实生活中，用户的银行账户亦可能遭到别人盗用，产生违背用户意愿的异常支付交易。例如用户的银行卡丢失，遭到别人盗刷银行卡，抑或是用户的账户信息泄露，遭到他人盗用，进行恶意转账等等。
为了保障用户的账户安全，后台系统在处理支付交易的过程中会对支付交易进行检测，而目前通常仅采用单一模型预测支付交易是否异常，以对该支付交易进行检测，故通常难以准确检测当前的支付交易是否为异常支付交易，使得当前检测的准确性较差，难以可靠保障用户的账户安全。
发明内容
有鉴于此，本发明实施例提供了一种支付交易的检测方法，以解决当前检测的准确性较差，难以可靠保障用户的账户安全的问题。
本发明实施例还提供了一种支付交易的检测装置，用以保证上述方法实际中的实现及应用。
为实现上述目的，本发明实施例提供如下技术方案：
一种支付交易的检测方法，包括：
当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
上述的方法，可选的，所述对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，包括：
依据所述用户信息及所述交易信息，确定每个预设属性类型对应的属性数据；
判断每个所述预设属性类型对应的属性数据是否为空值，并将属性数据为空值的预设属性类型确定为第一属性类型，将属性数据不为空值的预设属性类型确定为第二属性类型；
对每个所述第一属性类型进行空值填充，得到每个所述第一属性类型对应的填充属性数据；
对每个所述第一属性类型对应的填充属性数据以及每个所述第二属性类型对应的属性数据进行数据归一化，获得每个所述预设属性类型对应的特征数据；
基于各个所述预设属性类型对应的所述特征数据，生成所述支付交易对应的所述特征数据集。
上述的方法，可选的，所述构建所述特征数据集对应的第一输入数据集，包括：
基于所述特征数据集中包含的各个特征数据进行特征衍生，获得所述特征数据集对应的各个衍生特征数据；
依据所述特征数据集中包含的各个所述特征数据以及各个所述衍生特征数据，生成所述第一输入数据集。
上述的方法，可选的，所述第一预测模型的训练过程，包括：
基于预先存储的历史交易数据，构建初始样本数据集；
对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集；
将所述第一训练样本数据集输入预先构建的预测模型，对所述预测模型进行训练，将训练后的所述预测模型作为所述第一预测模型。
上述的方法，可选的，所述对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集，包括：
确定所述初始样本数据集中的每组样本包含的每个所述样本特征数据对应的属性类型，并确定各个第一数据集，每个所述第一数据集包括各组所述样本中对应相同属性类型的各个样本特征数据；
确定各个所述第一数据集中的每个所述样本特征数据对应的第一数值，并将所述第一数值作为所述样本特征数据对应的第一衍生特征数据；所述第一数值为所述第一数据集中包含的与所述样本特征数据相同的样本特征数据的个数；
基于每个所述第一数据集中的各个所述样本特征数据，计算所述第一数据集中每个所述样本特征数据的标准差以及密度，将所述标准差作为所述样本特征数据对应的第二衍生特征数据，将所述密度作为所述样本特征数据对应的第三衍生特征数据；
基于每组所述样本中包含的每个所述样本特征数据以及每个所述样本特征数据对应的所述第一衍生特征数据、所述第二衍生特征数据与所述第三衍生特征数据，生成每组所述样本对应的衍生样本；
依据每组所述样本对应的所述衍生样本，构建所述第一训练样本数据集。
上述的方法，可选的，所述第二预测模型的训练过程，包括：
获取所述预测模型训练过程中得到的各个模型输出结果；
依据所述第一训练样本数据集以及各个所述模型输出结果，构建第二训练样本数据集；
将所述第二训练样本数据集输入预先构建的卷积神经网络模型，对所述卷积神经网络模型进行训练，将训练后的所述卷积神经网络模型作为所述第二预测模型。
上述的方法，可选的，所述第三预测模型的训练过程，包括：
将所述第一训练样本数据集输入预先构建的神经网络模型，对所述神经网络模型进行训练，将训练后的所述神经网络模型作为所述第三预测模型。
一种支付交易的检测装置，包括:
第一确定单元，用于当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
第一构建单元，用于对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
第一输入单元，用于将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
第二输入单元，用于将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
第三输入单元，用于将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
融合单元，用于依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
第二确定单元，用于确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
上述的装置，可选的，所述第一构建单元，包括：
第一确定子单元，用于依据所述用户信息及所述交易信息，确定每个预设属性类型对应的属性数据；
判断子单元，用于判断每个所述预设属性类型对应的属性数据是否为空值，并将属性数据为空值的预设属性类型确定为第一属性类型，将属性数据不为空值的预设属性类型确定为第二属性类型；
填充子单元，用于对每个所述第一属性类型进行空值填充，得到每个所述第一属性类型对应的填充属性数据；
归一化子单元，用于对每个所述第一属性类型对应的填充属性数据以及每个所述第二属性类型对应的属性数据进行数据归一化，获得每个所述预设属性类型对应的特征数据；
第一生成子单元，用于基于各个所述预设属性类型对应的所述特征数据，生成所述支付交易对应的所述特征数据集。
上述的装置，可选的，所述第一构建单元，包括：
特征衍生子单元，用于基于所述特征数据集中包含的各个特征数据进行特征衍生，获得所述特征数据集对应的各个衍生特征数据；
第二生成子单元，用于依据所述特征数据集中包含的各个所述特征数据以及各个所述衍生特征数据，生成所述第一输入数据集。
上述的装置，可选的，还包括：
第二构建单元，用于基于预先存储的历史交易数据，构建初始样本数据集；
样本衍生单元，用于对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集；
第一训练单元，用于将所述第一训练样本数据集输入预先构建的预测模型，对所述预测模型进行训练，将训练后的所述预测模型作为所述第一预测模型。
上述的装置，可选的，所述样本衍生单元，包括：
第二确定子单元，用于确定所述初始样本数据集中的每组样本包含的每个所述样本特征数据对应的属性类型，并确定各个第一数据集，每个所述第一数据集包括各组所述样本中对应相同属性类型的各个样本特征数据；
第三确定子单元，用于确定各个所述第一数据集中的每个所述样本特征数据对应的第一数值，并将所述第一数值作为所述样本特征数据对应的第一衍生特征数据；所述第一数值为所述第一数据集中包含的与所述样本特征数据相同的样本特征数据的个数；
计算子单元，用于基于每个所述第一数据集中的各个所述样本特征数据，计算所述第一数据集中每个所述样本特征数据的标准差以及密度，将所述标准差作为所述样本特征数据对应的第二衍生特征数据，将所述密度作为所述样本特征数据对应的第三衍生特征数据；
第三生成子单元，用于基于每组所述样本中包含的每个所述样本特征数据以及每个所述样本特征数据对应的所述第一衍生特征数据、所述第二衍生特征数据与所述第三衍生特征数据，生成每组所述样本对应的衍生样本；
构建子单元，用于依据每组所述样本对应的所述衍生样本，构建所述第一训练样本数据集。
上述的装置，可选的，还包括：
获取单元，用于获取所述预测模型训练过程中得到的各个模型输出结果；
第三构建单元，用于依据所述第一训练样本数据集以及各个所述模型输出结果，构建第二训练样本数据集；
第二训练单元，用于将所述第二训练样本数据集输入预先构建的卷积神经网络模型，对所述卷积神经网络模型进行训练，将训练后的所述卷积神经网络模型作为所述第二预测模型。
上述的装置，可选的，还包括：
第三训练单元，用于将所述第一训练样本数据集输入预先构建的神经网络模型，对所述神经网络模型进行训练，将训练后的所述神经网络模型作为所述第三预测模型。
一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的支付交易的检测方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的支付交易的检测方法。
基于上述本发明实施例提供的一种支付交易的检测方法，通过确定支付交易请求对应的用户信息及交易信息以进行数据预处理，获得支付交易对应的特征数据集，并构建对应第一输入数据集。将第一输入数据集分别输入已训练的第一预测模型和第三预测模型进行预测。将第一预测模型的预测结果和第一输入数据集输入已训练的第二预测模型进行预测，最后依据预设的模型融合算法融合第二预测模型以及第三预测模型，得到最终预测结果，并以最终预测结果确定支付交易的检测结果。应用本发明实施例提供的方法，当接收到支付交易请求时，可以结合多个预测模型对支付交易进行检测，可以提升对支付交易进行检测的准确性，有利于可靠保障用户的账户安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的实施例，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为本发明实施例提供的一种支付交易的检测方法的方法流程图；
图2为本发明实施例提供的一种支付交易的检测方法的又一方法流程图；
图3为本发明实施例提供的一种支付交易的检测方法的另一方法流程图；
图4为本发明实施例提供的一种支付交易的检测装置的结构示意图；
图5为本发明实施例提供的一种支付交易的检测装置的又一结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，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。
由背景技术可知，在对用户的支付交易进行检测的过程中，通过模型预测支付交易是否为异常支付交易时，通常仅使用单一的模型进行预测，使得检测的准确性较低，若是依据错误的检测结果处理支付交易，则可能给账户的持有人造成损失，使得用户的账户安全性较差。
因此，本发明实施例提供了一种支付交易的检测方法，可以结合多个预测模型对用户发起的支付交易进行检测，提高检测结果的准确性，有利于保障用户的账户安全。
本发明实施例提供了一种支付交易的检测方法，所述方法可应用于支付交易的处理系统或安全管理系统等等系统平台，其执行主体可以为系统的服务器。所述方法的方法流程图如图1所示，包括：
S101：当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
本发明实施例提供的方法中，用户通过终端触发银行账户的支付交易时，终端会向后台系统发送对应的支付交易请求，以使后台系统完成对应的支付操作。用户通过终端触发支付交易的行为，可以是信用卡刷卡或借记卡刷卡等刷卡交易行为，相对应的，终端可以为POS机等刷卡终端。触发支付交易的行为，也可以为自助终端转账、网上支付或网银转账等交易行为，相对应的，终端可以为银行自助终端、手机或电脑等等移动终端。
当后台系统接收到终端发送的支付交易请求后，则可以获取对应的用户信息及交易信息，用户信息为该支付交易请求对应的支出银行账户的账户持有人的信息，可以包括预先存储的该账户持有人的性别、年龄、学历及职业等等个人信息，交易信息可以包括当前支付交易的交易时间、交易方式、交易验证方式以及交易金额等等信息。
S102：对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
本发明实施例提供的方法中，可以提取用户信息及交易信息包含的数据，并对这些数据进行数据预处理，如进行数据清洗、空值填充以及数据归一化等等处理，数据预处理后得到所述用户信息以及所述交易信息对应的各个特征数据，基于数据预处理后得到的各个特征数据构建当前的支付交易对应的特征数据集。构建特征数据集对应的第一输入数据集，以使用第一输入数据集作为预测模型的输入。可以基于特征数据集进行特征衍生或是特征选择，构建所述第一输入数据集。可选的，可以基于特征数据集中的各个特征数据衍生得到其他的特征数据，依据特征数据集中各个特征数据以及衍生得到的特征数据构建第一输入数据集。也可以对特征数据集中的各个特征数据进行筛选，依据筛选得到的特征数据构建第一输入数据集。
S103：将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
本发明实施例提供的方法中，可以将第一输入数据集加载至预先训练好的第一预测模型，以将第一输入数据集输入第一预测模型进行预测，预测当前的支付交易是否异常。通过第一预测模型进行预测后，获取第一预测模型输出的第一预测结果。将第一预测结果作为新的输入特征，依据第一预测结果与第一输入数据集构建第二输入数据集，以使用第二输入数据作为第二预测模型的输入。
S104：将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
本发明实施例提供的方法中，将第二输入数据集加载至预先训练好的第二预测模型，以将第二输入数据集输入第二预测模型进行预测，预测当前的支付交易是否异常。通过第二预测模型进行预测后，获取第二预测模型输出的第二预测结果。
S105：将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
本发明实施例提供的方法中，可以将第一输入数据集加载至预先训练好的第三预测模型，以将第一输入数据集输入第三预测模型进行预测，预测当前的支付交易是否异常。第三预测模型完成预测过程后，获取第三预测模型输出的第三预测结果。
S106：依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
本发明实施例提供的方法中，可以预先设置模型融合算法，将第二预测模型与第三预测模型进行融合，结合第二预测模型输出的第二预测结果以及第三预测模型输出的第三预测结果，得到最终预测结果。模型融合算法可以为Blending算法，也可以为Stacking算法，还可以使用其他模型融合的算法。
需要说明的是，在具体实现过程中，可以根据实际需求选择模型融合算法，模型融合算法的差异不影响本发明实施例提供的方法实现功能。
S107：确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
本发明实施例提供的方法中，获得最终预测结果后，可以依据预设的判断方式，确定最终预测结果对应的检测结果。例如，在模型预测过程中，以百分比衡量预测事件的概率，作为模型的输出，如最终预测结果对应的是支付交易为异常支付交易的概率，则将最终预测结果与预设的阈值进行比较，若最终预测结果大于预设的阈值，则确定检测结果为该支付交易为异常支付交易，反之，则确定检测结果为该支付交易为正常支付交易。后续，系统可以根据检测结果对该支付交易进行处理，如该支付交易为正常支付交易，则执行对应的支付操作，若该支付交易为异常支付交易，则可以拦截该支付交易，触发进一步审核流程。
基于本发明实施例提供的方法，可以在接收到终端发送的支付交易请求时，确定该支付交易请求对应的用户信息及交易信息，并对上述信息进行数据预处理以得到对应的特征数据集，构建第一输入数据集，基于第一输入数据集通过已训练的第一预测模型及已训练的第三预测模型进行预测。依据第一预测模型的输出结果以及第一输入数据集，构建第二输入数据集，使已训练的第二预测模型基于第二输入数据集进行预测。将第二预测模型及第三预测模型进行模型融合，得到最终预测结果，以确定检测结果。应用本发明实施例提供的方法，可以结合多个预测模型基于当前支付交易请求对应的数据进行预测，实现对支付交易的检测。可结合多个预测模型的优点，提高最终预测结果的准确性。故本发明提供的方法，对支付交易检测的准确性较高，有利于可靠保障账户持有人的账户安全性。
进一步的，在图1所示方法的基础上，本发明实施例提供了又一种支付交易的检测方法，本发明实施例提供的方法中，步骤S102中所述对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，包括：
依据所述用户信息及所述交易信息，确定每个预设属性类型对应的属性数据；
本发明实施例提供的方法中，可以根据预测模型的设计需求，预先设置需提取的数据的属性类型，预设属性类型可以年龄、性别、学历、职业、交易时间、交易金额等等类型。可以从用户信息中提取与账户持有人相关的预设属性类型对应的属性数据，如从用户信息从获取账户持有人的年龄、性别、学历以及职业等等。可以从交易信息中提取与交易相关的预设属性类型对应的属性数据，如从交易信息中获取当前支付交易的交易时间及交易金额等等。通过从用户信息及交易信息中提取相对应的数据，确定每个预设属性类型对应的属性数据。
需要说明的是，本发明实施例提供的方法中所提及的具体预设属性类型仅为更好地说明本发明实施例提供的方法，而非对具体预设属性类型的限定。在具体实现过程中可以根据预测数据的设计，预设对应的属性类型，不影响本发明实施例提供的方法实现功能。
判断每个所述预设属性类型对应的属性数据是否为空值，并将属性数据为空值的预设属性类型确定为第一属性类型，将属性数据不为空值的预设属性类型确定为第二属性类型；
本发明实施例提供的方法中，判断已确定的每个预设属性类型对应的属性数据是否为空值，如果存在属性数据为空值的预设属性类型，则将属性数据为空值的预设属性类型作为第一属性类型，而属性数据不为空值的预设属性类型则为第二属性类型。属性数据为空值可以理解为该用户信息或交易信息中该预设属性类型对应的数据没有生成，例如账户持有人在录入用户信息时，有些信息并没有填写。
对每个所述第一属性类型进行空值填充，得到每个所述第一属性类型对应的填充属性数据；
本发明实施例提供的方法中，可以对属性数据为空值的预设属性类型进行空值填充，得到其对应的填充属性数据。空值填充的方法可结合用户的历史数据采用均值填充或是众数填充等方式，也可以采用固定值填充等方式。需要说明的是，在具体实现过程中，可采用不同的空值填充方式，不影响本发明实施例提供的方法实现功能。
对每个所述第一属性类型对应的填充属性数据以及每个所述第二属性类型对应的属性数据进行数据归一化，获得每个所述预设属性类型对应的特征数据；
本发明实施例提供的方法中，可以对各个第一属性类型对应的各个填充属性数据以及各个第二属性类型对应的各个属性数据进行数据归一化，将数据映射到0～1的范围内，得到每个预设属性类型对应的特征数据。
基于各个所述预设属性类型对应的所述特征数据，生成所述支付交易对应的所述特征数据集。
本发明实施例提供的方法中，可以依据各个预设属性类型对应的各个特征数据生成支付交易对应的特征数据集，即所述支付交易对应的特征数据集中包括每个预设属性类型对应的特征数据。
基于本发明实施例提供的方法，可以依据用户信息及交易信息确定各个预设属性类型的属性数据，并进行空值填充及数据归一化等数据处理操作，以得到特征数据集。可以使得后续对特征数据集中特征数据的使用更加方便快捷，以及避免空值数据对预测过程造成不良影响，进一步提升支付交易检测的准确性。
为了更好地说明本发明实施例提供的方法，图2示出了本发明实施例提供的又一种支付交易的检测方法的流程图，在图1所示方法的基础上，本发明实施例提供的方法中，步骤S102中所述构建所述特征数据集对应的第一输入数据集的过程，包括：
S201：基于所述特征数据集中包含的各个特征数据进行特征衍生，获得所述特征数据集对应的各个衍生特征数据；
本发明实施例提供的方法中，可以根据预测模型训练过程中的样本数据的特征衍生情况，基于特征数据集中包含的各个特征数据进行特征衍生，得到该特征数据集对应的各个衍生特征数据。本发明实施例中结合该支付交易的账户持有人的历史交易数据对特征数据集中包含的各个特征数据进行数据衍生，对各个特征数据进行计数、求标准差以及求密度，分别得到各个特征数据在这三个维度上的衍生特征数据。对特征数据进行计数指的是，统计在账户持有人该维度的数据上，该特征数据的数值出现的次数。而求标准差以及求密度主要是模拟图像的滤波处理进行的，对特征数据求标准差指的是，计算在账户持有人该维度的数据上，计算该特征数据的标准差。对特征数据求密度，指的是在账户持有人该维度的数据上，采用高斯滤波滤波器等工具对特征数据进行平滑等处理，得到的密度参数。
例如特征数据集中交易金额对应的特征数据为A，获取账户持有人的历史交易数据中的历史交易金额对应的数据，将特征数据集中交易金额对应的特征数据A以及历史交易数据中的所有历史交易金额对应的数据作为账户持有人在交易金额这一维度上的数据，统计这一维度上的数据中，数据A出现的次数，如历史交易金额对应的数值中没有出现过数据A，则数据A出现过一次，将数据A出现的次数作为特征数据集中交易金额对应的特征数据A对应的衍生特征，并基于交易金额这一维度上的数据计算特征数据A的标准差以及密度，并将计算得到的标准差以及密度作为特征数据A对应的衍生特征。
需要说明的是，本发明实施例提供的方法中所提及的特征衍生的具体方式，仅为更好地说明本发明实施例提供的方法所提供的一个实施例，在具体实现过程中，可以根据实际需求选择其他的特征衍生方式，得到的数据与训练预测模型时的样本输入数据的维度相同即可。例如可以单独衍生本发明实施例中提及的其中一种衍生特征数据，或是任意衍生其中两种衍生特征数据，也可以通过将特征数据进行运算、交叉或组合等等方式衍生特征。特征衍生的方式不影响本发明实施例提供的方法实现功能。
S202：依据所述特征数据集中包含的各个所述特征数据以及各个所述衍生特征数据，生成所述第一输入数据集。
本发明实施例提供的方法中，可以基于各个特征数据以及各个衍生特征数据，生成第一输入数据集。第一输入集中包含特征数据集中的所有特征数据以及该特征数据集对应的所有衍生特征数据。
基于本发明实施例提供的方法，可以对支付交易对应的特征数据集进行特征衍生，以原有的特征数据集以及衍生得到的衍生特征数据一同构建输入预测模型的第一输入数据集，可以增加模型输入的数据维度，有利于提高模型预测的准确性，进一步提升支付交易的检测准确性。另一方面，本发明实施例提供的通过计数、求标准差以及求密度得到的衍生特征数据，在实际模型应用过程中可实现良好的拟合效果。
进一步的，结合图3所示流程图，本发明实施例提供了另一种支付交易的检测方法，在图1所示方法的基础上，本发明实施例提供的方法中，步骤S103中提及的第一预测模型的训练过程，包括：
S301：基于预先存储的历史交易数据，构建初始样本数据集；
本发明实施例提供的方法中，可以对系统中预先存储的大量的历史交易数据，进行大数据分析以及数据处理，构建初始样本数据集。在构建初始样本数据集的过程中，亦可以对历史交易数据进行空值填充以及数据归一化等等数据预处理，得到样本特征数据，以组成每组样本。基于每组样本构建初始样本数据集。
S302：对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集；
本发明实施例提供的方法中，可以对初始样本数据集中的每组样本包含的各个样本特征数据进行特征衍生，得到各个样本衍生特征数据。可选的，可以采用特征扩展、特征组合或是合成特征等等方式，对样本特征数据进行特征衍生。在实际预测过程中，对输入模型的特征数据采用相同的方式进行特征衍生即可。
需要说明的是，特征衍生的方式，衍生的特征数量或种类均不影响本发明实施例提供的方法实现功能。
S303：将所述第一训练样本数据集输入预先构建的预测模型，对所述预测模型进行训练，将训练后的所述预测模型作为所述第一预测模型。
本发明实施例提供的方法中，可以将第一训练样本数据集中每组训练样本依次加载至预先构建的预测模型，对预测模型进行训练，以确定预测模型中的各项模型参数，将完成训练的预测模型作为第一预测模型。本发明实施例提供的方法中，预先构建的预测模型采用基于决策树算法的Lightgbm模型。
需要说明的是，本发明实施例提及的具体模型，仅为更好地说明本发明实施例的方法所提供的一个实施例，并非对第一预测模型的限定，在具体实现过程中，亦可采用其他基于决策树算法的模型，或是采用基于神经网络NN算法构建的模型，也可以采用基于卷积神经网络CNN算法构建的模型，还可以采用其他的预测算法构建模型，不影响本发明实施例提供的方法实现功能。
基于本发明实施例提供的方法，在对预测模型进行训练时，可以对初始样本数据进行特征衍生，得到升维后的训练样本数据，可以更好地对模型进行训练，提高模型的准确度。进一步的，本发明实施例中采用Lightgbm模型作为第一预测模型，运算速度较快。
为了更好地说明本发明实施例提供的方法，在图3所示方法的基础上，本发明实施例提供了又一种支付交易的检测方法，步骤302中提及的对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集的过程，包括：
确定所述初始样本数据集中的每组样本包含的每个所述样本特征数据对应的属性类型，并确定各个第一数据集，每个所述第一数据集包括各组所述样本中对应相同属性类型的各个样本特征数据；
本发明实施例提供的方法中，可以确定每组样本中每个样本特征数据对应的属性类型，即该样本特征数据对应的维度，如每组样本中的交易金额对应的样本特征数据，其对应的属性类型则为交易金额。可以根据各个样本特征数据的属性类型，对各个样本特征数据进行分类，确定各个第一数据集。将对应相同属性类型的各组样本中的样本特征数据，划分至一个第一数据集。
确定各个所述第一数据集中的每个所述样本特征数据对应的第一数值，并将所述第一数值作为所述样本特征数据对应的第一衍生特征数据；所述第一数值为所述第一数据集中包含的与所述样本特征数据相同的样本特征数据的个数；
本发明实施例提供的方法中，可以对每个第一数据集中每个样本特征数据进行计数，将计数得到的第一数值作为该样本特征数据对应的第一衍生特征数据。对第一数据集中的每个样本特征数据进行计数，则为统计该第一数据集中，该样本特征数据的数值出现的次数。第一数值则为第一数据集中包含的与正在衍生的样本特征数据的数值相同的样本特征数据的个数。若是第一数据集中该样本特征数据的数值是唯一的，则第一数值为一，即该数值仅出现一次。
基于每个所述第一数据集中的各个所述样本特征数据，计算所述第一数据集中每个所述样本特征数据的标准差以及密度，将所述标准差作为所述样本特征数据对应的第二衍生特征数据，将所述密度作为所述样本特征数据对应的第三衍生特征数据；
本发明实施例提供的方法中，可以模拟图像处理中的滤波处理，基于第一数据集中的各个样本特征数据，计算第一数据集中每个样本特征数据的标准差以及密度，将每个样本特征数据对应的标准差作为其对应的第二衍生特征数据，将每个样本特征数据对应的密度作为其对应的第三衍生特征数据。
本发明实施例提供的方法中，以计数、求标准差以及求密度的方式对样本特征数据进行特征衍生，相对应的，在模型应用过程中亦对输入模型的特征数据进行上述特征衍生处理，具体的衍生原理相同，可参见结合图2所提供的本发明实施例中关于步骤S201的说明，此处不再赘述。
基于每组所述样本中包含的每个所述样本特征数据以及每个所述样本特征数据对应的所述第一衍生特征数据、所述第二衍生特征数据与所述第三衍生特征数据，生成每组所述样本对应的衍生样本；
本发明实施例提供的方法中，可以将每组样本中的每个样本特征数据及其对应的各个衍生特征数据，作为新的一组样本，即衍生样本。
依据每组所述样本对应的所述衍生样本，构建所述第一训练样本数据集。
本发明实施例提供的方法中，可以基于各组衍生样本，构建第一训练样本数据集。第一训练样本数据集中包含每组衍生样本，即每组样本中的样本特征数据及其对应的各个衍生特征数据。
基于本发明实施例提供的方法，可以通过特征衍生得到每个样本特征数据对应的多个衍生特征数据，以构成对预测模型进行训练的训练样本数据集，可以提升模型训练的准确度，进一步的，本发明实施例提供的三类衍生特征数据，在实际应用过程中，可实现良好的拟合效果。
为了更好地说明本发明实施例提供的方法，本发明实施例提供了又一种支付交易的检测方法，在图3所示方法的基础上，本发明实施例提供的方法中，步骤104中提及的第二预测模型的训练过程，包括：
获取所述预测模型训练过程中得到的各个模型输出结果；
本发明实施例提供的方法中，在图3所示方法中，依据第一训练样本数据集对预先构建的预测模型进行训练，可以获取在训练过程中，预测模型基于每次的训练样本实际产生的每个模型输出结果。
依据所述第一训练样本数据集以及各个所述模型输出结果，构建第二训练样本数据集；
本发明实施例提供的方法中，可以建立第一训练样本数据集中的每组训练样本与每个模型输入结果的关联关系，得到各组新的输入样本，如第一训练样本数据集中的第一组训练样本输入预测模型后，预测模型运行后输出第一输出结果，则将第一输出结果与第一组训练样本进行关联，将第一组训练样本与第一输出结果作为一组新的训练样本，基于各组新的训练样本构建第二训练样本数据集。
将所述第二训练样本数据集输入预先构建的卷积神经网络模型，对所述卷积神经网络模型进行训练，将训练后的所述卷积神经网络模型作为所述第二预测模型。
本发明实施例提供的方法中，预先基于卷积神经网络CNN算法构建卷积神经网络模型，将第二输入训练样本数据集中每组训练样本依次加载至卷积神经网络模型的输入层，根据训练样本的样本输出以及模型输出层的实际输出，对卷积神经网络模型进行训练，以确定卷积神经网络模型的各个模型参数。将完成训练的卷积神经网络模型作为第二预测模型。
基于本发明实施例提供的方法中，结合第一预测模型训练过程中的实际数据构建卷积神经网络模型的训练样本，可以在卷积神经网络模型的训练过程中结合第一预测模型的预测结果，有利于提高模型的准确性。进一步的，卷积神经网络模型在图像处理方面具有较好的实现效果，结合上述实施例模拟图像的滤波处理进行特征衍生的方式，训练卷积神经网络模型进行预测可有利于提升预测的准确性，进一步提升支付交易检测的准确性。
进一步的，本发明实施例提供了又一种支付交易的检测方法，在图1所示方法的基础上，步骤S105中提及第三预测模型的训练过程，包括：
将所述第一训练样本数据集输入预先构建的神经网络模型，对所述神经网络模型进行训练，将训练后的所述神经网络模型作为所述第三预测模型。
本发明实施例提供的方法中，可以预先基于神经网络NN算法构建神经网络模型，将对初始样本数据集进行特征衍生后得到的第一训练样本数据集作为所述神经网络模型的训练样本。将第一训练样本数据集中的每组训练样本依次加载至所述神经网络模型，对神经网络模型进行训练，以确定所述神经网络模型中的各个模型参数。将完成训练的神经网络模型作为第三预测模型。
基于本发明实施例提供的方法，可以采用神经网络模型作为第三预测模型，可以在实际应用中的模型融合过程中与第二预测模型进行融合，结合神经网络模型对分类问题的处理优势，提升最终预测结果的准确性。
本发明实施例提供的方法中，可以采用Lightgbm模型作为第一预测模型，将卷积神经网络模型作为第二预测模型，以及将神经网络模型作为第三预测模型，构成预测网络。在具体实现过程中，也可以自由组合这三类模型构成预测网络，如将神经网络模型作为第一预测模型，而将Lightgbm模型作为第三预测模型等等。还可以采用基于其他算法构建的预测模型，构建预测网络，均不影响本发明实施例提供的方法实现功能。
本发明实施例提供的方法中，在各个预测模型的训练过程中，采用各个训练样本数据集完成训练后，可以进一步采用测试数据集对各个预测模型进行测试，以确保各个预测模型的可靠性。
与图1所示的支付交易的检测方法相对应的，本发明实施例还提供了一种支付交易的检测装置，用于对图1中所示方法的具体实现，其结构示意图如图4所示，包括：
第一确定单元401，用于当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
第一构建单元402，用于对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
第一输入单元403，用于将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
第二输入单元404，用于将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
第三输入单元405，用于将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
融合单元406，用于依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
第二确定单元407，用于确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
基于本发明实施例提供的装置，可以在接收到终端发送的支付交易请求时，确定该支付交易请求对应的用户信息及交易信息，并对上述信息进行数据预处理以得到对应的特征数据集，构建第一输入数据集，基于第一输入数据集通过已训练的第一预测模型及已训练的第三预测模型进行预测。依据第一预测模型的输出结果以及第一输入数据集，构建第二输入数据集，使已训练的第二预测模型基于第二输入数据集进行预测。将第二预测模型及第三预测模型进行模型融合，得到最终预测结果，以确定检测结果。应用本发明实施例提供的装置，可以结合多个预测模型基于当前支付交易请求对应的数据进行预测，实现对支付交易的检测。可结合多个预测模型的优点，提高最终预测结果的准确性。故本发明提供的方法，对支付交易检测的准确性较高，有利于可靠保障账户持有人的账户安全性。
进一步的，本发明实施例提供了又一种支付交易的检测装置，在图4所示装置的基础上，所述第一构建单元402，包括：
第一确定子单元，用于依据所述用户信息及所述交易信息，确定每个预设属性类型对应的属性数据；
判断子单元，用于判断每个所述预设属性类型对应的属性数据是否为空值，并将属性数据为空值的预设属性类型确定为第一属性类型，将属性数据不为空值的预设属性类型确定为第二属性类型；
填充子单元，用于对每个所述第一属性类型进行空值填充，得到每个所述第一属性类型对应的填充属性数据；
归一化子单元，用于对每个所述第一属性类型对应的填充属性数据以及每个所述第二属性类型对应的属性数据进行数据归一化，获得每个所述预设属性类型对应的特征数据；
第一生成子单元，用于基于各个所述预设属性类型对应的所述特征数据，生成所述支付交易对应的所述特征数据集。
进一步的，本发明实施例提供了另一种支付交易的检测装置，在图4所示装置的基础上，所述第一构建单元402，包括：
特征衍生子单元，用于基于所述特征数据集中包含的各个特征数据进行特征衍生，获得所述特征数据集对应的各个衍生特征数据；
第二生成子单元，用于依据所述特征数据集中包含的各个所述特征数据以及各个所述衍生特征数据，生成所述第一输入数据集。
为了更好地说明本发明实施例提供的装置，本发明实施例提供了又一种支付交易的检测装置，其结构示意图如图5所示，在图4所示装置的基础上，本发明实施例提供的装置中，还包括：
第二构建单元408，用于基于预先存储的历史交易数据，构建初始样本数据集；
样本衍生单元409，用于对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集；
第一训练单元410，用于将所述第一训练样本数据集输入预先构建的预测模型，对所述预测模型进行训练，将训练后的所述预测模型作为所述第一预测模型。
进一步的，本发明实施例提供了另一种支付交易的检测装置，在上述装置的基础上，所述样本衍生单元409，包括：
第二确定子单元，用于确定所述初始样本数据集中的每组样本包含的每个所述样本特征数据对应的属性类型，并确定各个第一数据集，每个所述第一数据集包括各组所述样本中对应相同属性类型的各个样本特征数据；
第三确定子单元，用于确定各个所述第一数据集中的每个所述样本特征数据对应的第一数值，并将所述第一数值作为所述样本特征数据对应的第一衍生特征数据；所述第一数值为所述第一数据集中包含的与所述样本特征数据相同的样本特征数据的个数；
计算子单元，用于基于每个所述第一数据集中的各个所述样本特征数据，计算所述第一数据集中每个所述样本特征数据的标准差以及密度，将所述标准差作为所述样本特征数据对应的第二衍生特征数据，将所述密度作为所述样本特征数据对应的第三衍生特征数据；
第三生成子单元，用于基于每组所述样本中包含的每个所述样本特征数据以及每个所述样本特征数据对应的所述第一衍生特征数据、所述第二衍生特征数据与所述第三衍生特征数据，生成每组所述样本对应的衍生样本；
构建子单元，用于依据每组所述样本对应的所述衍生样本，构建所述第一训练样本数据集。
进一步的，本发明实施例提供了又一种支付交易的检测装置，在图4所示装置的基础上，还包括：
获取单元，用于获取所述预测模型训练过程中得到的各个模型输出结果；
第三构建单元，用于依据所述第一训练样本数据集以及各个所述模型输出结果，构建第二训练样本数据集；
第二训练单元，用于将所述第二训练样本数据集输入预先构建的卷积神经网络模型，对所述卷积神经网络模型进行训练，将训练后的所述卷积神经网络模型作为所述第二预测模型。
进一步的，本发明实施例提供了又一种支付交易的检测装置，在图4所示装置的基础上，还包括：
第三训练单元，用于将所述第一训练样本数据集输入预先构建的神经网络模型，对所述神经网络模型进行训练，将训练后的所述神经网络模型作为所述第三预测模型。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的支付交易的检测方法。
本发明实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作：
当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
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，对于系统或系统实施例而言，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。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
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发明的范围。
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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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)

1.一种支付交易的检测方法，其特征在于，包括：
当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
2.根据权利要求1所述的方法，其特征在于，所述对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，包括：
依据所述用户信息及所述交易信息，确定每个预设属性类型对应的属性数据；
判断每个所述预设属性类型对应的属性数据是否为空值，并将属性数据为空值的预设属性类型确定为第一属性类型，将属性数据不为空值的预设属性类型确定为第二属性类型；
对每个所述第一属性类型进行空值填充，得到每个所述第一属性类型对应的填充属性数据；
对每个所述第一属性类型对应的填充属性数据以及每个所述第二属性类型对应的属性数据进行数据归一化，获得每个所述预设属性类型对应的特征数据；
基于各个所述预设属性类型对应的所述特征数据，生成所述支付交易对应的所述特征数据集。
3.根据权利要求1所述的方法，其特征在于，所述构建所述特征数据集对应的第一输入数据集，包括：
基于所述特征数据集中包含的各个特征数据进行特征衍生，获得所述特征数据集对应的各个衍生特征数据；
依据所述特征数据集中包含的各个所述特征数据以及各个所述衍生特征数据，生成所述第一输入数据集。
4.根据权利要求1所述的方法，其特征在于，所述第一预测模型的训练过程，包括：
基于预先存储的历史交易数据，构建初始样本数据集；
对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集；
将所述第一训练样本数据集输入预先构建的预测模型，对所述预测模型进行训练，将训练后的所述预测模型作为所述第一预测模型。
5.根据权利要求4所述的方法，其特征在于，所述对所述初始样本数据集中的每组样本包含的每个样本特征数据进行特征衍生，得到所述初始样本数据集对应的第一训练样本数据集，包括：
确定所述初始样本数据集中的每组样本包含的每个所述样本特征数据对应的属性类型，并确定各个第一数据集，每个所述第一数据集包括各组所述样本中对应相同属性类型的各个样本特征数据；
确定各个所述第一数据集中的每个所述样本特征数据对应的第一数值，并将所述第一数值作为所述样本特征数据对应的第一衍生特征数据；所述第一数值为所述第一数据集中包含的与所述样本特征数据相同的样本特征数据的个数；
基于每个所述第一数据集中的各个所述样本特征数据，计算所述第一数据集中每个所述样本特征数据的标准差以及密度，将所述标准差作为所述样本特征数据对应的第二衍生特征数据，将所述密度作为所述样本特征数据对应的第三衍生特征数据；
基于每组所述样本中包含的每个所述样本特征数据以及每个所述样本特征数据对应的所述第一衍生特征数据、所述第二衍生特征数据与所述第三衍生特征数据，生成每组所述样本对应的衍生样本；
依据每组所述样本对应的所述衍生样本，构建所述第一训练样本数据集。
6.根据权利要求4所述的方法，其特征在于，所述第二预测模型的训练过程，包括：
获取所述预测模型训练过程中得到的各个模型输出结果；
依据所述第一训练样本数据集以及各个所述模型输出结果，构建第二训练样本数据集；
将所述第二训练样本数据集输入预先构建的卷积神经网络模型，对所述卷积神经网络模型进行训练，将训练后的所述卷积神经网络模型作为所述第二预测模型。
7.根据权利要求4所述的方法，其特征在于，所述第三预测模型的训练过程，包括：
将所述第一训练样本数据集输入预先构建的神经网络模型，对所述神经网络模型进行训练，将训练后的所述神经网络模型作为所述第三预测模型。
8.一种支付交易的检测装置，其特征在于，包括:
第一确定单元，用于当接收到终端响应于用户触发支付交易的操作所发送的支付交易请求时，确定所述支付交易请求对应的用户信息及交易信息；
第一构建单元，用于对所述用户信息以及所述交易信息进行数据预处理，获得所述支付交易对应的特征数据集，并构建所述特征数据集对应的第一输入数据集；
第一输入单元，用于将所述第一输入数据集输入已训练的第一预测模型，获取所述第一预测模型输出的第一预测结果，并依据所述第一输入数据集以及所述第一预测结果构建第二输入数据集；
第二输入单元，用于将所述第二输入数据集输入已训练的第二预测模型，获取所述第二预测模型输出的第二预测结果；
第三输入单元，用于将所述第一输入数据集输入已训练的第三预测模型，获取所述第三预测模型输出的第三预测结果；
融合单元，用于依据预设的模型融合算法融合所述第二预测模型以及所述第三预测模型，得到所述第二预测结果及所述第三预测结果对应的最终预测结果；
第二确定单元，用于确定所述最终预测结果对应的检测结果，以实现对所述支付交易的检测。
9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～7任意一项所述的支付交易的检测方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～7任意一项所述的支付交易的检测方法。
CN202011032509.6A 2020-09-27 2020-09-27 支付交易的检测方法及装置、存储介质及电子设备 Active CN112101951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032509.6A CN112101951B (zh) 2020-09-27 2020-09-27 支付交易的检测方法及装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032509.6A CN112101951B (zh) 2020-09-27 2020-09-27 支付交易的检测方法及装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112101951A CN112101951A (zh) 2020-12-18
CN112101951B true CN112101951B (zh) 2023-09-26

Family

ID=73782307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032509.6A Active CN112101951B (zh) 2020-09-27 2020-09-27 支付交易的检测方法及装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112101951B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723944B (zh) * 2021-09-14 2024-03-26 中国银行股份有限公司 转账额度的设置方法、装置、电子设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166032A (zh) * 2018-08-22 2019-01-08 北京芯盾时代科技有限公司 一种电子银行线上反欺诈方法及系统
CN110059854A (zh) * 2019-03-13 2019-07-26 阿里巴巴集团控股有限公司 用于风险识别的方法及装置
CN111105241A (zh) * 2019-12-20 2020-05-05 浙江工商大学 一种应用于信用卡交易反欺诈的识别方法
CN111210347A (zh) * 2019-12-23 2020-05-29 南方科技大学 交易风险预警方法、装置、设备及存储介质
CN111639690A (zh) * 2020-05-21 2020-09-08 同济大学 基于关系图谱学习的欺诈分析方法、系统、介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236611A1 (en) * 2003-04-30 2004-11-25 Ge Financial Assurance Holdings, Inc. System and process for a neural network classification for insurance underwriting suitable for use by an automated system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166032A (zh) * 2018-08-22 2019-01-08 北京芯盾时代科技有限公司 一种电子银行线上反欺诈方法及系统
CN110059854A (zh) * 2019-03-13 2019-07-26 阿里巴巴集团控股有限公司 用于风险识别的方法及装置
CN111105241A (zh) * 2019-12-20 2020-05-05 浙江工商大学 一种应用于信用卡交易反欺诈的识别方法
CN111210347A (zh) * 2019-12-23 2020-05-29 南方科技大学 交易风险预警方法、装置、设备及存储介质
CN111639690A (zh) * 2020-05-21 2020-09-08 同济大学 基于关系图谱学习的欺诈分析方法、系统、介质及设备

Also Published As

Publication number Publication date
CN112101951A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN106803168B (zh) 一种异常转账侦测方法和装置
CN108133372B (zh) 评估支付风险的方法及装置
US11436603B2 (en) Decision making for on-line transactions
CN107316198B (zh) 账户风险识别方法及装置
CN109345260A (zh) 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置
WO2018149386A1 (zh) 一种风险管控方法及装置
US20120101930A1 (en) Software and Methods for Risk and Fraud Mitigation
US20150278941A1 (en) Loan automation system
TW201816678A (zh) 一種非法交易檢測方法及裝置
CA2945158A1 (en) Systems and methods for transacting at an atm using a mobile device
CN112184239A (zh) 一种安全支付方法、装置、设备和可读介质
CN110874743B (zh) 用于确定账户交易风险的方法及装置
CN106603327B (zh) 行为数据分析方法及装置
CN107038579A (zh) 一种电子支付业务处理、电子支付方法及装置
CN111428945A (zh) 业务审核处理方法、装置及电子设备
CN107392614B (zh) 线下交易的实现方法和装置
CN115204901B (zh) 基于多特征融合的信用卡欺诈检测方法、装置及介质
CN112330355B (zh) 消费券交易数据处理方法、装置、设备及存储介质
CN112101951B (zh) 支付交易的检测方法及装置、存储介质及电子设备
CN112669154B (zh) 外币兑换业务开办预测实现方法、装置及计算机设备
CN109670929A (zh) 贷款预警的控制方法、装置、设备及计算机可读存储介质
CN109508994A (zh) 业务风险控制方法、装置、计算机设备和存储介质
CN114511095A (zh) 数据处理方法及装置、计算设备、存储介质
CN112016930A (zh) 交易安全性的检测方法及相关装置、计算机存储介质
CN111539807A (zh) 转账方法及装置

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