CN112116357A - 套现检测实现方法、装置及计算机设备 - Google Patents

Abstract

本申请提出了一种套现检测实现方法、装置及计算机设备，通过利用预设的多个套现检测规则，对目标银行机构下的具有套现标签的多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果，从而将该第一套现检测规则与相应套现标签相匹配的套现检测规则确定为候选套现检测规则，即可能适用于目标银行机构的信用卡套现检测的套现检测规则，之后，可以依据这些候选套现检测规则和多个第一历史交易数据，获得针对该目标银行机构的目标套现检测规则，其相对于针对多个第一历史交易数据，人工总结得到的套现检测结果，能够更加准确地实现对目标银行机构下的客户使用信用卡的套现行为的检测，有效且可靠降低银行机构因客户套现行为造成的资金损失。

Description

套现检测实现方法、装置及计算机设备

技术领域

本申请涉及银行卡金融领域，更具体地说是涉及一种套现检测实现方法、装置及计算机设备。

背景技术

随着人们消费水平的提升，越来越多人们选择使用具有方便快捷、提前消费、分期还款等优势的信用卡，但信用卡的使用存在了较多的安全隐患，如信用卡套现。其中，信用卡套现是指持卡人不是通过正常合法手续(ATM或柜台)提取现金，而通过其他手段将卡中信用额度内的资金以现金的方式套取，同时又不支付银行提现费用的行为。信用卡套现会给个人和银行带来较大的资金损失。

由此可见，如何准确、有针对性地及时识别信用卡的行为，成为本领域重要研究方向之一。

发明内容

有鉴于此，为了解决上述技术问题，本申请提供了以下技术方案：

一方面，本申请提出了一种一种套现检测实现方法，所述方法包括：

获取目标银行机构下的具有套现标签的多个第一历史交易数据，所述套现标签表征相应第一历史交易数据是否存在套现行为；

利用预设的多个套现检测规则，对所述多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

从所述多个套现检测规则中，确定所述第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则。

可选的，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

将所述候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，得到针对所述目标银行机构的目标套现检测模型；

其中，所述推理模型是基于神经网络的推理机。

可选的，所述将所述候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，得到针对所述目标银行机构的目标套现检测模型，包括：

在每次确定出至少一个候选套现检测规则后，将当前已确定的所有候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，调整所述推理模型的模型参数，直至满足约束条件，得到针对所述目标银行机构的目标套现检测模型；

其中，所述约束条件包括每一次学习得到的推理模型的输出结果收敛，和/或学习次数达到预设次数，和/或完成对所有候选套现检测规则的学习。

可选的，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

获取每一个所述候选套现检测规则，对所述多个第一历史交易数据的套现匹配概率；

依据获取的多个所述套现匹配概率，对所述多个候选套现检测规则进行分析，得到针对所述目标银行机构的目标套现检测规则。

可选的，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

获取每一个所述候选套现检测规则对具有第一套现标签的多个第一历史交易数据的第一套现匹配概率，以及对具有第二套现标签的多个第一历史交易数据的第二套现匹配概率，其中，所述第一套现标签为相应第一历史交易数据存在套现行为的套现标签，所述第二套现标签为相应第一历史交易数据不存在套现行为的套现标签；

按照所述目标银行机构的套现检测要求，对每一个所述候选套现检测规则对应的所述第一套现匹配概率和所述第二套现匹配概率进行验证；

若验证结果为符合所述套现检测要求，将相应的候选套现检测规则确定为目标套现检测规则。

可选的，所述多个套现检测规则的获取过程包括：

获取多个银行机构下的具有套现标签的多个第二历史交易数据；

对所述多个第二历史交易数据进行归纳分析，得到多个套现检测规则。

可选的，所述方法还包括：

获取针对所述目标银行机构下的待测客户的信用卡套现检测请求；

响应所述信用卡套现检测请求，得到所述待测客户使用信用卡产生的待测历史交易数据；

利用所述目标套现检测规则，对所述待测历史交易数据进行分析，得到所述待测客户是否为套现客户的第二套现检测结果；

依据所述第二套现检测结果，按照所述目标银行机构的信用卡业务规范，重新对所述待测客户发起的信用卡业务请求信息进行验证；

依据验证结果，调整所述待测客户的信用卡业务信息。

可选的，所述方法还包括：

在所述待测客户的信用卡还款日，获取所述待测客户上一个还款周期的信用卡消费记录；

将所述信用卡消费记录作为待测历史交易数据，生成针对所述待测客户的信用卡套现检测请求。

又一方面，本申请提出了一种套现检测实现装置，所述装置包括：

历史交易数据获取模块，用于获取目标银行机构下的具有套现标签的多个第一历史交易数据，所述套现标签表征相应第一历史交易数据是否存在套现行为；

第一套现检测模块，用于利用预设的多个套现检测规则，对所述多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

候选套现检测规则确定模块，用于从所述多个套现检测规则中，确定所述第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

目标套现检测规则获得模块，用于依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则。

又一方面，本申请提出了一种计算机设备，所述计算机设备包括：至少一个通信接口、至少一个存储器和至少一个处理器，其中：

所述存储器，用于存储实现如上述的套现检测实现方法的程序；

所述处理器，用于加载并执行所述存储器存储的所述程序，以实现如上述的套现检测实现方法的各步骤。

由此可见，与现有技术相比，本申请提供一种套现检测实现方法、装置及计算机设备，通过利用预设的多个套现检测规则，对目标银行机构下的具有套现标签的多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果，从而将该第一套现检测规则与相应套现标签相匹配的套现检测规则确定为候选套现检测规则，即可能适用于目标银行机构的信用卡套现检测的套现检测规则，之后，可以依据这些候选套现检测规则和多个第一历史交易数据，获得针对该目标银行机构的目标套现检测规则，其相对于针对多个第一历史交易数据，人工总结得到的套现检测结果，能够更加准确地实现对目标银行机构下的客户使用信用卡的套现行为的检测，有效且可靠降低银行机构因客户套现行为造成的资金损失。

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示出了适用于本申请提出的套现检测实现方法和装置的一可选应用环境的示意图；

图2示出了本申请提出的计算机设备的一可选示例的硬件结构示意图；

图3示出了本申请提出的套现检测实现方法的一可选示例的流程示意图；

图4示出了本申请提出的套现检测实现方法的又一可选示例的流程示意图；

图5示出了本申请提出的套现检测实现方法的又一可选示例的流程示意图；

图6示出了本申请提出的套现检测实现装置的一可选示例的结构示意图；

图7示出了本申请提出的套现检测实现装置的又一可选示例的结构示意图。

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。

需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

应当理解，本申请中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

另外，本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

参照图1，为适用于本申请提出的套现检测实现方法和装置的一可选应用环境示意图，在该应用环境中，可以包括：业务终端100、计算机设备200及数据存储设备300，其中：

业务终端100可以是支持客户使用信用卡交易的电子设备，在实际应用中，由于客户可以手持信用卡刷卡消费，也可以在虚拟交易平台上通过关联信用卡账户，实现信用卡消费等，所以，对于不同的信用卡交易方式，该电子设备的产品形式及结构可以不同。示例性的，该电子设备可以包括但并不局限于智能手机、平板电脑、可穿戴设备、个人计算机(personalcomputer，PC)、上网本、个人数字助理(personal digital assistant，PDA)、机器人、台式计算机，以及各种支持刷卡交易的POS(Pointofsales)机等，图1仅是对业务终端100的部分产品形式的示例，不应对本申请实施例的功能和使用范围带来任何限制。

计算机设备200可以是执行本申请提出的套现检测实现方法和装置的设备，其具体可以是服务设备或具有一定数据处理能力的业务终端，本申请对此不做限定，可以依据场景应用需求确定。

其中，在上述计算机设备200为服务设备的情况下，该服务设备可以是独立的物理服务器，也可以是多个物理服务器集成的服务集群，还可以是支持云计算能力的云服务器，服务设备可以通过有线或无线网络实现与业务终端，或其他设备的通信，满足实际数据交互需求，具体实现可以视情况而定，本申请在此不作详述。

示例性的，如图2所示，为本申请提出的计算机设备的一可选示例的硬件结构示意图，该计算机设备可以包括：至少一个通信接口211、至少一个存储器212和至少一个处理器213，其中：

通信接口211、存储器212及处理器213均可以连接通信总线，以实现相互之间的数据交互，本申请对计算机设备内部的线路连接关系不做一一详述，可以依据实际应用场景的通信需求确定。

通信接口211可以包括通信模块的接口，如GSM模块、WIFI模块、实现移动通信网络(如5G、6G网络)数据通信的接口等，以便计算机设备通过这类通信接口实现与其他设备的数据交互；当然，该通信接口211还可以包括如USB接口、串/并口等接口，用于实现计算机设备内部组成部件之间的数据交互，如本申请提出的套现检测实现方法执行过程中产生或所需的各种中间数据等，可以根据实际应用场景的需求确定，本申请不做一一详述。

存储器212可以存储用于实现本申请实施例提供的套现检测实现方法的多个指令构成的程序，由处理器213调用并加载存储器212所存储的程序，从而实现本申请实施例提供的套现检测实现方法，具体实现过程可以参照但并不局限于下文相应实施例的描述。

在本申请实施例中，存储器212可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。处理器213，可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路(application-specificintegrated circuit，ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。

在一种可能的实现方式中，存储器212可以包括程序存储区和数据存储区，该程序存储区可以存储操作系统、以及至少一个功能(如数据统计、套现预测)所需的应用程序、实现本申请提出的套现检测实现方法的程序等；数据存储区可以存储上述计算机设备使用过程中所产生的数据，数据内容可视情况而定。

可选的，在计算机设备为业务终端的情况下，本申请实施例提出的计算机设备还可以包括各种输入组件、各种输出组件、报警组件、图像采集组件等，可以依据该业务终端所支持的业务功能类型等确定，本申请在此不做详述。

应该理解，本申请上述实施例描述的计算机设备的结构并不构成对本申请实施例中计算机设备的限定，在实际应用中，计算机设备可以包括比图2所示及上文实施例描述的结构组成更多或更少的部件，本申请在此不做一一列举。

数据存储设备300可以是用来存储银行机构的各种业务相关数据的数据库，其可以是一种数据服务器，该数据服务器与上述服务设备的类型类似，可以是独立的物理服务器，也可以是多个物理服务器集成的服务集群，还可以是支持云计算能力的云服务器，可以通过有线或无线网络实现与业务终端，以接收业务终端上报的各种数据并存储，同时可以响应业务终端发起的访问请求，查询所请求的业务数据、客户信息等请求信息并反馈至业务终端输出，具体数据通信过程可视情况而定，本申请在此不做一一详述。

在一些实施例中，上述数据存储设备300可以利用区块链实现的分布式存储系统，以提高银行机构重要信息的存储安全性，本申请对如何利用区块链实现的分布式存储系统的实现过程，以及对该分布式存储系统的数据读写操作的实现过程不做详述。

可以理解，上述应用场景仅是一个示例，并不能构成对本申请实施例提出的套现检测实现方法和装置的限制，在实际应用中，适用于本申请实施例方案的应用场景，可以包括图1所示的结构组成更多或更少的部件，本申请在此不做一一列举。

下面将结合但并不局限于上文描述的应用环境，对本申请提出的套现检测实现方法的实现过程进行描述，但并不局限于本申请下文实施例描述的实现方式，可以根据具体应用场景的要求确定。

参照图3，为本申请提出的套现检测实现方法的一可选示例的流程示意图，该方法可以适用于上述计算机设备，该计算机设备可以是服务设备或具有一定数据处理能力的业务终端，本申请实施例对该计算机设备的产品形式不做限定。如图3所示，该套现检测实现方法可以包括：

步骤S11，获取目标银行机构下的具有套现标签的多个第一历史交易数据；

对于目前社会上出现的信用卡套现，通常是借助一些空壳商家信用卡里的资金实现，以增加个人客户的杠杆。然而，一旦客户的资金周转不开，无法偿还信用卡借款资金，会给个人客户和信用卡所属银行机构造成很大的损失。对于银行机构来说，为了降低由此带来的资金损失风险，提出对申请办理信用卡的客户进行监控，即监控这类客户在使用信用卡过程中，是否出现套现行为，以便及时发现及时采取相应措施，以降低因这类客户的违法行为给银行机构造成的资金损失。

因此，本申请可以通过对客户(本申请涉及到的客户是指已申请办理信用卡的客户，下文不再解释)使用信用卡所产生的历史交易数据进行分析，具体将分别对套现客户(即所开设的信用卡使用中出现信用卡套现行为的客户)的信用卡历史交易数据、以及未套现客户(即所开设的信用卡使用中未出现信用卡套现行为的客户)的信用卡历史交易数据进行对比分析，以期望得到适用于本银行机构的目标套现检测规则，后续可以按照该目标套现检测规则，直接判断客户是否为套现客户。

基于上述技术构思，为了获得适用于本银行机构(即目标银行机构)的目标套现检测规则，对于该目标银行机构下存储的各客户的信用卡历史交易数据，计算机设备可以获取具有套现标签的多个第一历史交易数据，该套现标签表征相应第一历史交易数据是否存在套现行为，若存在套现行为，可以记为第一套现标签，如设置标志位1；若不存在套现行为，可以记为第二套现标签，设置标志位0，但并不局限于这种套现标签的配置方式，可视情况而定。

其中，第一历史交易数据可以包括相应客户使用信用卡的交易次数、交易频率、每次交易涉及到的交易金额、每次交易对象即收款账户信息等，每次交易涉及到的交易内容，如购买的商品类别等，本申请对第一历史交易数据包含的内容不做限定，可以依据套现检测的要求确定，为提高套现检测的准确性，可以要求该第一历史交易数据包含更多类别数据，且随着套现方式的多样化，可以随之更新历史交易数据内容，本申请在此不做一一详述。

结合上述实施例描述，对于客户使用信用卡进行交易过程中，所产生的历史交易数据可以由相应的业务终端上报至数据存储设备存储，这种情况下，计算机设备可以向数据存储设备发起针对目标银行机构的查询请求，以获取该目标银行机构下的具有套现标签的多个第一历史交易数据，但并不局限于这种第一历史交易数据的获取方式，可以依据具体应用环境的部署结构确定。

步骤S12，利用预设的多个套现检测规则，对这多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

其中，预设的多个套现检测规则可以通过对各银行机构下的历史交易数据进行归纳分析得到，具体实现过程本实施例不做详述。需要说明，此处的套现检测规则可能适用于某一个银行机构，并不需要适用于所有的银行机构，本申请实施例并不要求此处的套现检测规则适用于所有的银行机构，且随着信用卡使用时间的推进，可以依据新出现的使用方式、套现方式等，增加相应的套现检测规则，本申请在此不做一一详述。

本实施例中，计算机设备可以调取本行业的多个套现检测规则，之后，可以按照每一个套现检测规则，对目标银行机构下各客户使用信用卡产生的第一历史交易数据进行验证，以确定相应客户是否为套现客户，即判断各客户在使用信用卡的过程中是否出现套现行为，记录该套现检测规则对各第一历史交易数据的套现检测结果，记为第一套现检测结果。

应该理解的，对于同一客户的第一历史交易数据，按照不同套现检测规则，所得到的第一套现检测结果可能不同，本实施例对此不做限定。本实施例对于每一个第一历史交易数据，可以按照调取的多个套现检测规则对其进行套现检测，得到相应的多个第一套现检测结果，这多个套现检测结果可能存在内容一致的若干个套现检测结果，也可能存在内容相反的若干套现检测结果，这可视情况而定。

其中，对于上述第一套现检测结果可以是按照相应套现检测规则，确定使用信用卡产生相应第一历史交易数据的客户为套现客户的预测概率，通常在该预测概率达到相应银行机构设定的概率阈值，可以认为该客户为套现客户，反之，可以认为该客户不是套现客户。在又一些实施例中，上述第一套现检测结果也可以直接是相应客户为套现客户或非套现客户的直接结果，具体可以是文字结果，也可以是由相应的套现标签来表示这一结果等，本申请对上述第一套现检测结果的表示方式不做限定。

步骤S13，从多个套现检测规则中，确定第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

继上文描述，本实施例可以将每个第一历史交易数据与每个套现检测规则进行比较验证，得到多个第一套现检测结果。为了得到适用于本银行机构的，能够准确地识别出套现行为的目标套现检测结果，本申请可以将目标银行机构下的多个第一历史交易数据，命中的套现检测规则筛选出来，记为候选套现检测规则，再进一步对这些候选套现检测规则做进一步归纳总结。

本实施例中，命中套现检测规则可以是指按照该套现检测规则对相应第一历史交易数据的套现检测结果，与该第一历史交易数据具有的套现标签表达内容一致，即第一套现检测结果与相应套现标签相匹配，其包含了都确定为套现客户，都确定为非套现客户，这种情况可以认为该第一历史交易数据命中该套现检测规则，可以将其确定为后续套现检测规则；对于未命中的套现检测规则，可能不适用于目标银行机构的套现检测，本实施例不再对其做进一步考虑。

步骤S14，依据确定的候选套现检测规则及多个第一历史交易数据，获得针对目标银行机构的目标套现检测规则。

本实施例按照上述方式筛选出可能会适用于目标银行机构的候选套现检测规则后，若该候选套现检测规则为一个，可以直接将其确定为目标银行机构的目标套现检测规则，用来实现对该目标银行机构下的历史交易数据进行套现检测。

若确定的候选套现检测规则为多个的情况下，本申请可以对这多个候选套现检测规则做进一步归纳整合，得到一个能够用来实现目标银行机构下的信用卡历史交易数据的套现检测，并保证所得套现检测结果可靠、准确。

具体的，本申请可以结合该目标银行机构对套现检测的具体要求(记为套现检测要求)，对各候选套现检测规则对应的多个第一历史交易数据一一对应的第一套现检测结果进行分析，以实现对多个候选套现检测规则的整合处理，得到目标套现检测规则，如统计每一个套现检测规则对多个第一历史交易数据进行套现检测，得到的多个第一套现检测结果中，命中套现客户以及命中非套现客户各自的概率，再结合目标银行机构的套现检测要求，来确定该候选套现检测规则的权重，之后，结合多个候选套现检测规则及其对应的权重，获得目标检测规则，具体实现过程本申请不做限定。

其中，目标检测规则可以是条件概率模型或者概率条件等形式存在，这可以依据具体需求确定，本申请对目标检测规则的表现形式不作限定。另外，由于本申请是希望能够准确识别出套现客户，所以目标银行机构的套现检测要求，往往要求命中套现客户的概率，要高于命中非套现客户的概率，至于这两种概率的比例关系，本申请不做限定，可以依据该目标银行机构自己的要求确定，其也可以依据实际要求的变动而动态调整，本申请对此不做限定。

在本申请提出的又一些实施例中，本申请也可以通过一个推理机，将筛选出的多个候选套现检测规则整合成一个目标套现检测模型，从而将该目标套现检测模型作为该目标银行机构的目标套现检测规则，实现对该目标银行机构下的各信用卡使用客户的套现检测。本申请对如何利用推理机机制，对多个候选套现检测规则以及多个第一历史交易数据进行分析，得到目标套现检测规则的实现过程不做详述。

其中，推理机(Inference Engine)是专家系统中实现基于知识推理的部件，是基于知识的推理在计算机中的实现，本申请可以基于人工智能技术(如神经网络等机器学习算法)，完成逻辑推理过程，得到实现套现检测的最优规则，本申请对基于人工智能的推理机的工作原理不做详述。

按照上述方式得到适用于目标银行机构的目标套现检测规则后，对于该目标银行机构的每个待测客户使用信用卡产生的历史交易数据，均可以调用该目标套现检测规则进行套现检测，来确定该待测客户是否为套现客户，或者预测该待测客户成为套现客户的概率，以使得目标银行机构可以依据该检测结果，针对该待测客户执行相应的预设操作，来预防该待测客户成为套现客户后所带来的资金损失。

综上，为了使目标银行机构能够及时且准确地识别出套现客户，以降低套现客户进行信用卡套现行为，为目标银行机构及个人客户造成的资金损失，在本申请实施例提出构建一个针对该目标银行机构下客户的信用卡使用情况的目标套现检测规则，具体的，可以利用各银行机构下的多个套现检测规则，对该目标银行机构下的具有套现标签的多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果，从而将该第一套现检测规则与相应套现标签相匹配的套现检测规则确定为候选套现检测规则，即可能适用于目标银行机构的信用卡套现检测的套现检测规则，之后，可以依据这些候选套现检测规则和多个第一历史交易数据，获得针对该目标银行机构的目标套现检测规则，其相对于针对多个第一历史交易数据，人工总结得到的套现检测结果，能够更加准确地实现对目标银行机构下的客户使用信用卡的套现行为的检测，有效且可靠降低银行机构因客户套现行为造成的资金损失。

参照图4，为本申请提出的套现检测实现方法的又一可选示例的流程示意图，本实施例可以是对上述实施例描述的套现检测实现方法的一可选细化实现方式，但并不局限于本实施例描述的这种细化实现方式，如图4所示，该方法可以包括：

步骤S21，获取目标银行机构下的具有套现标签的多个第一历史交易数据；

其中，套现标签表征相应第一历史交易数据是否存在套现行为，具体表示方式不做限定。

步骤S22，利用预设的多个套现检测规则，对多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

关于步骤S21和步骤S22的具体实现，可以参照上述实施例相应部分的描述，本实施例不再赘述。

步骤S23，将候选套现检测规则及多个第一历史交易数据输入推理模型进行学习，得到针对目标银行机构的目标套现检测模型；

其中，推理模型可以是基于神经网络的推理机，本申请对该推理机的工作原理不做详述。

在本申请实施例中，由于预设的各银行机构确定的套现检测规则的数量往往比较多，可能还会不断增加，这就会使得按照上述方式得到的候选套现检测规则也可能会逐渐增加。基于这种情况，本申请可以在每次确定出至少一个候选套现检测规则后，将当前已确定的所有候选套现检测规则，及多个第一历史交易数据作为当前的模型数据，输入推理模型进行学习，调整推理模型的模型参数，直至满足约束条件，得到针对所述目标银行机构的目标套现检测模型。

可见，每次输入上一次学习得到的推理模型的候选套现检测规则可能不同，或存在不同的候选套现检测规则，使得模型输入样本不同，这样，本次经过推理模型的推理学习，输出的具有相应第一历史交易数据的客户是否套现的预测结果(如预测概率值)可能会不同，本申请可以将每次得到的预测结果与相应第一历史交易数据具有的套现标签进行比对，从而基于比对结果，来确定本次是否调整该推理模型的模型参数，如何调整该模型参数等，以达到优化推理模型，提高其预测准确性的目的。

示例性的，若将预设的多个套现检测规则标记为1～n的连续数字编号，n可以随着所得套现检测规则的数量而顺次增大，经过上述一次套现检测，得到相应的第一套现检测结果，确定套现检测规则1、套现检测规则3和套现检测规则5都是某第一历史交易数据的命中套现检测规则，即候选套现检测规则，可以将这三个套现检测规则及该第一历史交易数据输入推理模型，来获得由这三个候选套现检测规则组，对各第一历史交易数据进行套现检测，确定相应客户为套现客户的预测概率，进而依据其与相应套现标签的比较结果，调整该推理模型的模型参数。

按照上述方式，确定套现检测规则1和套现检测规则4都命中某第一历史交易数据，该套现检测规则1和套现检测规则4作为候选套现检测规则，可以将其和该第一历史交易数据继续输入上次学习到的推理模型继续进行学习，继续优化该推理模型的模型参数，如此推进，直至满足预设的约束条件，如每一次学习得到的推理模型的输出结果收敛，和/或学习次数达到预设次数，和/或完成对所有候选套现检测规则的学习等，可以将最终学习到的推理模型确定为目标套现检测模型。

需要说明，本申请对上述目标套现检测模型的具体训练过程不做限定，并不局限于上文描述的推理学习过程，且在不断提取到新的候选套现检测规则，可以按照上述方式利用该新的候选套现检测规则，继续对上述目标套现检测模型继续训练优化，以提高模型预测准确性。

应该理解，针对不同的目标银行机构，其下办理信用卡客户的第一历史交易数据内容可能不同，所确定的候选套现检测规则也可能会不同，按照上述模型训练方式所得到的目标套装检测模型也会存在差异，本申请按照上述方式，可以预先训练出适用于不同银行机构的目标套现检测模型，并将该目标套现检测模型与该银行机构的机构标识(如银行代码、银行名称等)进行关联后存储，以供后续调用，具体存储方式不做限定。

步骤S24，获取针对目标银行机构下的待测客户的信用卡套现检测请求；

在本实施例实际应用中，可以由银行机构的工作人员定期对所负责的客户进行套现检测，将其负责客户确定为待测客户，发起针对待测客户的信用卡套现检测请求，以请求检测这些客户在预设时间段内是否出现信用卡套现行为。

在又一些实施例中，可以由银行机构预设的监管机制，周期性地向使用信用卡的客户发起信用卡套现检测请求；或者，由其他客户发起针对某一待测客户的信用卡套现检测请求等，本申请对该信用卡套现检测请求的生成方式不做限定，可以依据不同的应用场景的需求确定，并不局限于上文列举的几种实现方式。

通常情况下，对于上述信用卡套现检测请求，在生成之前，会先确定请求检测对象即待测客户，并获取该待测客户的客户标识，如客户名称、客户信用卡账户、客户身份号等，能够表明该客户身份的信息，以便后续基于该客户标识，来确定相应的信用卡账户，进而获得与该信用卡账户参与的交易数据等。本申请对客户标识的内容不做限定，可视情况而定。

步骤S25，响应信用卡套现检测请求，得到待测客户使用信用卡产生的待测历史交易数据；

继上文描述，解析信用卡套现检测请求，可以得到请求检测对象的客户标识，之后，可以查询与该客户标识对应的信用卡账户，从而查询与该信用卡账户关联的历史交易数据，将其确定为待测历史交易数据，关于该待测历史交易数据包含的内容，可以参照上文对历史交易数据的相关描述，本申请对其不做限定。

其中，对于各信用卡账户关联的历史交易数据，可以存储在相应银行机构的数据存储设备中，这样，计算机设备接收到信用卡套现检测请求后，可以按照上述方式访问该数据存储设备，来获取待测历史交易数据，关于待测历史交易数据的获取方式本申请不做限定。

步骤S26，将待测历史交易数据输入目标套现检测模型进行分析，输出待测客户是否为套现客户的第二套现检测结果；

在本实施例中，目标银行机构的目标套现检测规则为目标套现检测模型，因此，利用目标套现检测规则，对待测历史交易数据进行分析的具体实现方式，可以通过调用该目标银行机构对应的目标套现检测模型，将该待测历史交易数据输入该目标套现检测模型进行分析，得到待测客户是否为套现客户的套现概率，此时，可以直接将该套现概率确定为待测客户的第二套现检测结果，也可以利用该目标银行机构预设的套现概率阈值与该套现概率的比较结果，确定的该待测客户是否为套现客户的结果后，将该结果确定为第二套现检测结果，本申请对第二套现检测结果的内容不做限定，可视情况而定。

步骤S27，依据第二套现检测结果，按照目标银行机构的信用卡业务规范，重新对待测客户发起的信用卡业务请求信息进行验证；

步骤S28，依据验证结果，调整所述待测客户的信用卡业务信息。

本实施例中，通过目标套现检测模型对待测历史交易数据的分析，预测待测客户为套现客户或非套现客户的情况下，尤其是在预测为套现客户的情况下，为了避免这类套现客户对银行机构造成资金损失，可以预先调整这类客户的信用卡业务信息，如降低信用卡额度，增加信用卡使用限制等。

在此之前，为了避免银行机构的误操作，可以重新对这类客户的相关信息进行考核验证，具体可以按照目标银行机构的信用卡业务规范，重新对待测客户发起的信用卡业务请求信息进行验证，也就是说，目标银行机构按照上述方式预测待测客户为套现客户的情况下，可以重新对该待测客户之前申请办理信用卡时提交的相关信息，如客户的个人资产、职业、银行卡交易流水等客户属性及业务信息进行重新验证，即重新确定该待测客户是否有资格办理信用卡，或者允许其办理信用卡额度是多少等。

根据需要，还可以要求客户重新上传相关证明材料，结合该证明材料以及从本系统或其他应用平台获取的客户信息进行验证，以确定是否需要对该待测客户持有的信用卡进行限制，是否需要降低该信用卡的使用额度都能够操作，通过提前预防的方式，来提高这类客户的信用卡使用规范，以降低套现客户造成的资金损失风险。

需要说明，本申请对上述信用卡业务请求信息包含的内容，以及上述调整的信用卡业务信息包含的内容不做限定，并不局限于上文列举的客户信息、业务信息以及信用卡使用额度等，可以依据目标银行机构的信用卡业务规范内容，以及市场变化等要求确定，本申请在此不做一一详述。

综上，本实施例通过套现客户和非套现客户各自对应的信用卡历史交易数据，预先训练得到针对各银行机构自身的目标套现检测模型，这样，在需要对目标银行机构下办理信用卡的客户进行套现检测时，可以直接调取该目标银行机构对应的目标套现检测模型，对待测客户的待测历史交易数据进行分析，来高效且准确预测该待测客户是否为套现客户，以便预测为套现客户的情况下，能够按照该目标银行机构的信用卡业务规范，对预测为套现客户的信用卡业务请求信息重新验证，从而依据验证结果，及时调整这类客户信用卡业务信息，降低套现客户对该目标银行机构造成的资金损失风险。

参照图5，为本申请提出的套现检测实现方法的又一可选示例的流程示意图，本实施例描述的是对上述实施例描述的套现检测实现方法的又一可选细化实现方式，如图5所示，该方法可以包括：

步骤S31，获取目标银行机构下的具有套现标签的多个第一历史交易数据；

其中，套现标签表征相应第一历史交易数据是否存在套现行为，具体表示方式不做限定。

步骤S32，获取多个银行机构下的多个套现检测规则；

结合上述实施例相应部分的描述，计算机设备可以通过获取多个银行机构下的具有套现标签的多个第二历史交易数据，并对这多个第二历史交易数据进行归纳分析，得到多个套现检测规则，具体获取过程不做详述。

在一些实施例中，本申请可以采用机器学习的归纳方式，对各套现客户的第二历史交易数据，和各非套现客户的第二历史交易数据进行分析，如总结套现客户/非套现客户使用信用卡的使用规律等，从而据此得到相应的套现检测规则。

示例性的，通过对第二历史交易数据统计分析，得到某套现客户在使用信用卡过程中，通常是在信用卡账单日后一天就完成信用卡额度百分之八十以上的消费、信用卡还款日的最后一天才还款、每次信用卡的消费都是大额、经常到固定的商家完成刷卡操作等，本申请可以对这些信用卡使用规律进行总结，生成相应的套现检测规则。当然，套现客户对信用卡的使用规律并不局限于本实施例列举的内容。

其中，在确定套现检测规则过程中，可以利用其他套现客户的第二历史交易数据，对初步确定的套现检测规则进行验证，以优化该套现检测规则内容，具体优化实现过程本申请不做限定。

在本申请提出的一些实施例中，在任一银行机构完成上述套现检测规则的统计后，可以分享至其他银行机构，也就是说，各银行机构可以共享套现检测规则，具体共享实现方法不做限定，如将本银行机构确定的套现检测机构上传至区块链结构的数据存储设备上，以供其他银行机构读取，但并不局限于这种实现方式。

步骤S33，利用这多个套现检测规则，对多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

步骤S34，从这多个套现检测规则中，确定第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

关于步骤S31～步骤S34的具体实现，可以参照上述实施例相应部分的描述，本实施例不再赘述。

步骤S35，获取每一个候选套现检测规则对具有第一套现标签的多个第一历史交易数据的第一套现匹配概率，以及对具有第二套现标签的多个第一历史交易数据的第二套现匹配概率；

其中，第一套现标签为相应第一历史交易数据存在套现行为的套现标签，第二套现标签为相应第一历史交易数据不存在套现行为的套现标签，结合上文相应部分描述，本申请对第一套现标签和第二套现标签的具体内容不做限定。

结合上文对候选套现检测规则的相关描述可知，候选套现检测规则是从大量预设的套现检测规则中，筛选出的可能适用于目标银行机构的套现检测规则，本申请需要对其做进一步归纳整合处理，以得到更加符合目标银行机构的，更加准确识别套现客户的目标套现检测规则。

基于此，本实施例统计目标银行机构的候选套现检测规则，对该目标银行机构下的各类信用卡使用客户的第一历史交易数据的第一套现结果，以获得套现客户的多个第一历史交易数据的第一套现匹配概率，以及非套现客户的多个第一历史交易数据的第二套现匹配概率，也就是说，统计该目标银行机构下的多个套现客户的第一历史交易数据中，每一个候选套现检测规则命中的概率，即命中的套现客户的第一历史交易数据的个数，与所有套现客户的第一历史交易数据的数量的比值，本实施例记为第一套现匹配概率；按照这种统计方式，统计该目标银行机构下的多个非套现客户的第一历史交易数据中，每一个候选套现检测规则命中的概率，本实施例记为第二套现匹配概率。

步骤S36，按照目标银行机构的套现检测要求，对每一个候选套现检测规则对应的第一套现匹配概率和第二套现匹配概率进行验证；

应该理解，对于不同的银行机构来说，其对应的套现检测要求可能不同，本申请对套现检测要求的内容不做限定。

示例性的，套现客户在某一候选套现检测规则中的第一套现匹配概率大于80％，非套现客户在该候选套现检测规则中的第二套现匹配概率小于20％，对于这一统计结果，一些银行机构可能认为该候选套现检测规则是适用本银行机构的，但另一些银行机构可能认为该候选套现检测规则并不适用本银行机构，这类银行机构可能需要更高的第一套现匹配概率，本申请对各银行机构的套现检测要求不做限定，且该套现检测要求可以动态调整，具体调整方法不做限定。

如上述对套现检测要求的描述，本实施例获得目标银行机构的套现检测要求，如要求某一候选套现检测规则对应的第一套现匹配概率达到第一概率阈值，且第二套现匹配概率小于第二概率阈值，该第一概率阈值与第二概率阈值的和为1，但对这两个概率阈值的具体数值不做限定，可以依据目标银行机构的实际情况确定。之后，可以将上述得到的每一个候选套现检测规则对应的第一套现匹配概率和第二套现匹配概率，与该套现检测要求进行比对验证，以得到相应的验证结果。

步骤S37，在验证结果为符合套现检测要求的情况下，将相应的候选套现检测规则确定为目标套现检测规则。

继上文分析，在确定任一候选套现检测规则对应的第一套现匹配概率和第二套现匹配概率，都符合目标银行机构的套现检测要求，可以将该候选套现检测规则确定为目标套现检测规则，后续可以按照上述方式，利用该目标套现检测规则，实现对该目标银行机构下客户的套现检测。

其中，在符合套现要求的候选套现检测规则为一个的情况下，可以直接将其确定为目标套现检测规则；而在符合套现要求的候选套现检测规则为多个的情况下，本申请可以参照上述推理机模型训练方式，对进一步筛选出的这多个候选套现检测规则进行整合，得到一个目标套现检测模型，具体实现过程本申请不做详述。

当然，本申请也可以不对符合套现要求的多个候选套现检测规则做进一步整合处理，此时确定的目标套装检测规则实际包含这多个套现检测规则，这样，在实际应用中，可以对由这多个目标套现检测规则，对待测历史交易数据的套现检测结果进行综合分析，来确定相应待测客户是否为套现客户，具体综合分析过程本申请不做详述。

在本申请提出的一些实施例中，确定目标银行机构的目标套现检测规则后，利用该目标套现检测规则对该目标银行机构下的客户进行套现检测过程中，可以在待测客户的信用卡还款日，获取该待测客户上一个还款周期的信用卡消费记录，将该信用卡消费记录作为待测历史交易数据，生成针对待测客户的信用卡套现检测请求，之后，如上述实施例相应部分的描述，可以将待测历史交易数据与该目标银行机构的目标套现检测规则进行比较，来判断该待测客户是否为套现客户。

在实际应用中，在确定各银行机构的目标检测规则过程中，可以结合地域确定，也就是说，在完成地区划分后，可以将属于同一地区(如一个省、一个市等)的银行机构，采用同一目标检测规则实现套现检测，这种情况下，上述目标银行机构可以是同一地区的多个银行机构。但并不局限于这种配置方式，可以依据具体应用需求确定，本申请不做一一详述。

综上，本实施例中，计算机设备利用各银行机构下的多个套现检测规则，对该目标银行机构下的具有套现标签的多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果，并将该第一套现检测规则与相应套现标签相匹配的套现检测规则确定为候选套现检测规则后，可以统计每一个候选套现检测规则对套现客户的多个第一历史交易数据的第一套现匹配概率，以及对非套现客户的多个第一历史交易数据的第二套现匹配概率，从而按照该目标银行机构的套现检测要求，对每一个候选套现检测规则对应的第一套现匹配概率和第二套现匹配概率进行验证，将符合套现检测要求的候选套现检测规则确定为目标套现检测规则，以实现对该目标银行机构下客户的高效且准确套现检测，降低银行机构因客户套现行为造成的资金损失。

基于上述各实施例描述的方案，在本申请提出的又一些实施例中，对于上述目标套现检测规则的获取方式，还可以通过先获取每一个候选套现检测规则，对多个第一历史交易数据的套现匹配概率，再依据获取的多个套现匹配概率，对多个候选套现检测规则进行分析，得到针对目标银行机构的目标套现检测规则。

本实施例中，上述套现匹配概率的获取过程中，无论是套现客户的第一历史交易数据命中某候选套现检测规则，还是非套现客户的第一历史交易数据命中该候选套现检测规则，都可以将该候选套现检测规则的套现匹配次数加一，通过这种方式，统计得到每一个候选套现检测规则，对多个第一历史交易数据的套现匹配次数，将其与这多个第一历史交易数据的总个数的比值，确定为该候选套现检测规则的套现匹配概率，但并不局限于这种统计方式。

之后，本申请可以结合人工智能技术，利用套现匹配概率，对多个候选套现检测规则进行分析，如确定目标套现检测规则中相应候选套现检测规则内容所占权重，再利用所得权重，对得到的多个候选套现检测规则进行整合，得到目标套现检测规则，具体实现过程本实施例不做详述，关于该目标套现检测规则的应用过程，可以按照上述实施例相应部分的描述，不再赘述。

参照图6，为本申请提出的套现检测实现装置的一可选示例的结构示意图，该装置可以适用于上述计算机设备，如图6所示，该装置可以包括但并不局限于：

历史交易数据获取模块221，用于获取目标银行机构下的具有套现标签的多个第一历史交易数据，所述套现标签表征相应第一历史交易数据是否存在套现行为；

第一套现检测模块222，用于利用预设的多个套现检测规则，对所述多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

可选的，为了得到这多个套现检测规则，上述装置还可以包括：

第二历史交易数据获取模块，用于获取多个银行机构下的具有套现标签的多个第二历史交易数据；

其中，第二历史交易数据可以包括上述第一历史交易数据，对其包含的具体内容不做限定，可视情况而定。

归纳分析模块，用于对所述多个第二历史交易数据进行归纳分析，得到多个套现检测规则。

候选套现检测规则确定模块223，用于从所述多个套现检测规则中，确定所述第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

目标套现检测规则获得模块224，用于依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则。

在一些实施例中，上述目标套现检测规则获得模块224可以包括：

目标套现检测模型得到单元，用于将所述候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，得到针对所述目标银行机构的目标套现检测模型；

其中，所述推理模型是基于神经网络的推理机。

可选的，上述目标套现检测模型得到单元具体可以用于：

在每次确定出至少一个候选套现检测规则后，将当前已确定的所有候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，调整所述推理模型的模型参数，直至满足约束条件，得到针对所述目标银行机构的目标套现检测模型；其中，所述约束条件包括每一次学习得到的推理模型的输出结果收敛，和/或学习次数达到预设次数，和/或完成对所有候选套现检测规则的学习。

在本申请提出的又一些实施例中，上述目标套现检测规则获得模块224也可以包括：

第一获取单元，用于获取每一个所述候选套现检测规则，对所述多个第一历史交易数据的套现匹配概率；

第一得到单元，用于依据获取的多个所述套现匹配概率，对所述多个候选套现检测规则进行分析，得到针对所述目标银行机构的目标套现检测规则。

在本申请提出的又一些实施例中，上述目标套现检测规则获得模块224还可以包括：

第二获取单元，用于获取每一个所述候选套现检测规则对具有第一套现标签的多个第一历史交易数据的第一套现匹配概率，以及对具有第二套现标签的多个第一历史交易数据的第二套现匹配概率，其中，所述第一套现标签为相应第一历史交易数据存在套现行为的套现标签，所述第二套现标签为相应第一历史交易数据不存在套现行为的套现标签；

验证单元，用于按照所述目标银行机构的套现检测要求，对每一个所述候选套现检测规则对应的所述第一套现匹配概率和所述第二套现匹配概率进行验证；

第二得到单元，用于在验证结果为符合所述套现检测要求的情况下，将相应的候选套现检测规则确定为目标套现检测规则。

基于上述各实施例描述的目标套现检测规则的获取方式，如图7所示，上述装置还可以包括：

套现检测请求获取模块225，用于获取针对所述目标银行机构下的待测客户的信用卡套现检测请求；

可选的，该装置还可以包括：

信用卡消费记录获取模块，用于在所述待测客户的信用卡还款日，获取所述待测客户上一个还款周期的信用卡消费记录；

信用卡套现检测请求生成模块，用于将所述信用卡消费记录作为待测历史交易数据，生成针对所述待测客户的信用卡套现检测请求。

待测历史交易数据得到模块226，用于响应所述信用卡套现检测请求，得到所述待测客户使用信用卡产生的待测历史交易数据；

第二套现检测结果得到模块227，用于利用所述目标套现检测规则，对所述待测历史交易数据进行分析，得到待测客户是否为套现客户的第二套现检测结果；

信用卡业务请求信息验证模块228，用于依据所述第二套现检测结果，按照所述目标银行机构的信用卡业务规范，重新对所述待测客户发起的信用卡业务请求信息进行验证；

信用卡业务信息调整模块229，用于依据验证结果，调整所述待测客户的信用卡业务信息。

需要说明的是，关于上述各装置实施例中的各种模块、单元等，均可以作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块，以实现相应的功能，关于各程序模块及其组合所实现的功能，以及达到的技术效果，可以参照上述方法实施例相应部分的描述，本实施例不再赘述。

本申请还提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述套现检测实现方法的各步骤，具体实现过程可以参照上述方法实施例相应部分的描述，本实施例不做赘述。

最后，需要说明的是，本说明书中各个实施例采用递进或并列的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备、系统而言，由于其与实施例公开的方法对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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)

1.一种套现检测实现方法，其特征在于，所述方法包括：

获取目标银行机构下的具有套现标签的多个第一历史交易数据，所述套现标签表征相应第一历史交易数据是否存在套现行为；

利用预设的多个套现检测规则，对所述多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

从所述多个套现检测规则中，确定所述第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则。

2.根据权利要求1所述的方法，其特征在于，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

将所述候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，得到针对所述目标银行机构的目标套现检测模型；

其中，所述推理模型是基于神经网络的推理机。

3.根据权利要求2所述的方法，其特征在于，所述将所述候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，得到针对所述目标银行机构的目标套现检测模型，包括：

在每次确定出至少一个候选套现检测规则后，将当前已确定的所有候选套现检测规则及所述多个第一历史交易数据输入推理模型进行学习，调整所述推理模型的模型参数，直至满足约束条件，得到针对所述目标银行机构的目标套现检测模型；

其中，所述约束条件包括每一次学习得到的推理模型的输出结果收敛，和/或学习次数达到预设次数，和/或完成对所有候选套现检测规则的学习。

4.根据权利要求1所述的方法，其特征在于，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

获取每一个所述候选套现检测规则，对所述多个第一历史交易数据的套现匹配概率；

依据获取的多个所述套现匹配概率，对所述多个候选套现检测规则进行分析，得到针对所述目标银行机构的目标套现检测规则。

5.根据权利要求1所述的方法，其特征在于，所述依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则，包括：

获取每一个所述候选套现检测规则对具有第一套现标签的多个第一历史交易数据的第一套现匹配概率，以及对具有第二套现标签的多个第一历史交易数据的第二套现匹配概率，其中，所述第一套现标签为相应第一历史交易数据存在套现行为的套现标签，所述第二套现标签为相应第一历史交易数据不存在套现行为的套现标签；

按照所述目标银行机构的套现检测要求，对每一个所述候选套现检测规则对应的所述第一套现匹配概率和所述第二套现匹配概率进行验证；

若验证结果为符合所述套现检测要求，将相应的候选套现检测规则确定为目标套现检测规则。

6.根据权利要求1～5任一项所述的方法，其特征在于，所述多个套现检测规则的获取过程包括：

获取多个银行机构下的具有套现标签的多个第二历史交易数据；

对所述多个第二历史交易数据进行归纳分析，得到多个套现检测规则。

7.根据权利要求1～5任一项所述的方法，其特征在于，所述方法还包括：

获取针对所述目标银行机构下的待测客户的信用卡套现检测请求；

响应所述信用卡套现检测请求，得到所述待测客户使用信用卡产生的待测历史交易数据；

利用所述目标套现检测规则，对所述待测历史交易数据进行分析，得到所述待测客户是否为套现客户的第二套现检测结果；

依据所述第二套现检测结果，按照所述目标银行机构的信用卡业务规范，重新对所述待测客户发起的信用卡业务请求信息进行验证；

依据验证结果，调整所述待测客户的信用卡业务信息。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

在所述待测客户的信用卡还款日，获取所述待测客户上一个还款周期的信用卡消费记录；

将所述信用卡消费记录作为待测历史交易数据，生成针对所述待测客户的信用卡套现检测请求。

9.一种套现检测实现装置，其特征在于，所述装置包括：

历史交易数据获取模块，用于获取目标银行机构下的具有套现标签的多个第一历史交易数据，所述套现标签表征相应第一历史交易数据是否存在套现行为；

第一套现检测模块，用于利用预设的多个套现检测规则，对所述多个第一历史交易数据进行套现检测，得到相应的第一套现检测结果；

候选套现检测规则确定模块，用于从所述多个套现检测规则中，确定所述第一套现检测结果与相应套现标签相匹配的候选套现检测规则；

目标套现检测规则获得模块，用于依据确定的所述候选套现检测规则及所述多个第一历史交易数据，获得针对所述目标银行机构的目标套现检测规则。

10.一种计算机设备，其特征在于，所述计算机设备包括：至少一个通信接口、至少一个存储器和至少一个处理器，其中：

所述存储器，用于存储实现如权利要求1～8任一项所述的套现检测实现方法的程序；

所述处理器，用于加载并执行所述存储器存储的所述程序，以实现如权利要求1～8任一项所述的套现检测实现方法的各步骤。

Images