CN112529575B - 风险预警方法、设备、存储介质及装置 - Google Patents
风险预警方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112529575B CN112529575B CN202011468692.4A CN202011468692A CN112529575B CN 112529575 B CN112529575 B CN 112529575B CN 202011468692 A CN202011468692 A CN 202011468692A CN 112529575 B CN112529575 B CN 112529575B
- Authority
- CN
- China
- Prior art keywords
- merchant
- transaction
- information
- score
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 238000007637 random forest analysis Methods 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险预警方法、设备、存储介质及装置,该方法包括:在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息,获取当前交易用户的当前行为数据,并通过预设随机森林模型对当前行为数据进行分析,获得目标用户分值,查找当前交易商户对应的商户注册信息,并根据商户注册信息以及当前交易信息确定目标商户分值,根据目标用户分值以及目标商户分值生成交易风险等级,并根据交易风险等级生成交易风险预警信息,从而能够在交易过程中,准确识别异常交易行为,并及时生成风险预警信息。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种风险预警方法、设备、存储介质及装置。
背景技术
随着移动支付的快速发展,越来越多的用户选择使用移动支付。但是,在实际应用中,商户可能利用规则漏洞从事各种欺诈行为,从而造成用户以及平台的损失。因此,如何在交易过程中,识别异常交易行为,并进行风险预警是避免用户以及平台的损失的重要途径。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种风险预警方法、设备、存储介质及装置,旨在解决如何在交易过程中,识别异常交易行为,并进行风险预警的技术问题。
为实现上述目的,本发明提供一种风险预警方法,所述风险预警方法包括以下步骤:
在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息;
获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值;
查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值;
根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息。
优选地,所述查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值的步骤,具体包括:
根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息;
在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息;
根据所述商户类别信息以及所述当前交易信息确定目标商户分值。
优选地,所述根据所述商户类别信息以及所述当前交易信息确定目标商户分值的步骤,具体包括:
根据所述商户类别信息以及所述当前交易信息生成初始商户分值;
查找所述当前交易商户对应的历史交易信息,并根据所述历史交易信息以及所述商户注册信息生成历史商户分值;
根据所述初始商户分值以及所述历史商户分值生成目标商户分值。
优选地,所述根据所述初始商户分值以及所述历史商户分值生成目标商户分值的步骤,具体包括:
获取所述当前交易商户对应的初始用户评价信息,并对所述初始用户评价信息进行预处理,获得目标用户评价信息;
根据所述目标用户评价信息以及所述历史交易信息生成修正分值;
根据所述修正分值、所述初始商户分值以及所述历史商户分值生成目标商户分值。
优选地,所述获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值的步骤之前,所述风险管理方法还包括:
获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集;
根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型;
根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果;
根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型。
优选地,所述根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息的步骤,具体包括:
根据所述当前交易信息确定当前交易类别,并根据所述当前交易类别确定用户权重值以及商户权重值;
根据所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值生成确定交易风险等级;
在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系。
优选地,所述根据所述生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息的步骤之后,具体包括:
获取管理端设备信息,并查找所述管理端设备信息对应的信息展示模板;
将所述交易风险预警信息写入所述信息展示模板,获得待展示信息,并将所述待展示信息发送至管理端设备。
此外,为实现上述目的,本发明还提出一种风险预警设备,所述风险预警设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险预警程序,所述风险预警程序配置为实现如上文所述的风险预警方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有风险预警程序,所述风险预警程序被处理器执行时实现如上文所述的风险预警方法的步骤。
此外,为实现上述目的,本发明还提出一种风险预警装置,所述风险预警装置包括:确定模块、分析模块和生成模块;
所述确定模块,用于在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息;
所述分析模块,用于获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值;
所述确定模块,还用于查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值;
所述生成模块,用于根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息。
本发明中,在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息,获取当前交易用户的当前行为数据,并通过预设随机森林模型对当前行为数据进行分析,获得目标用户分值,查找当前交易商户对应的商户注册信息,并根据商户注册信息以及当前交易信息确定目标商户分值,根据目标用户分值以及目标商户分值生成交易风险等级,并根据交易风险等级生成交易风险预警信息;由于本发明中,通过当前交易用户的当前行为数据生成目标用户分值,当前交易商户对应的商户注册信息以及当前交易信息生成目标商户分值,并根据目标用户分值以及目标商户分值生成交易风险预警信息,从而能够在交易过程中,准确识别异常交易行为,并生成风险预警信息。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的风险预警设备的结构示意图;
图2为本发明风险预警方法第一实施例的流程示意图;
图3为本发明风险预警方法第二实施例的流程示意图;
图4为本发明风险预警方法第三实施例的流程示意图;
图5为本发明风险预警装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的风险预警设备结构示意图。
如图1所示,该风险预警设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对风险预警设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风险预警程序。
在图1所示的风险预警设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述风险预警设备通过处理器1001调用存储器1005中存储的风险预警程序,并执行本发明实施例提供的风险预警方法。
基于上述硬件结构,提出本发明风险预警方法的实施例。
参照图2,图2为本发明风险预警方法第一实施例的流程示意图,提出本发明风险预警方法第一实施例。
步骤S10:在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息。
应当理解的是,本实施例的执行主体是所述风险预警设备,其中,所述风险预警设备可为电脑以及服务器等电子设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例以及下述各实施例中,以服务器为例对本发明风险预警方法进行说明。
需要说明的是,交易请求可以是用户通过用户终端设备输入的请求信息。其中,用户终端设备可以是手机以及电脑等设备,本实施例对此不加以限制。
可以理解的是,根据交易请求确定当前交易用户、当前交易商户以及当前交易信息可以是对交易请求进行标识提取,获得信息标识,并根据信息标识确定当前交易用户、当前交易商户以及当前交易信息。
需要说明的是,信息标识可以是用来表示信息类型的标识;当前交易信息可以包括交易类型、交易时间、交易金额等信息,本实施对此不加以限制。
步骤S20:获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值。
需要说明的是,当前行为数据可以是用户在浏览商品时的购买行为数据以及用户在支付时的支付行为数据等,本实施例对此不加以限制。
应当理解的是,获取当前交易用户的当前行为数据可以是在预设存储区查找的当前交易用户对应的当前行为数据。其中,预设存储区可以是服务器的管理人员预先设置的用于存放用户数据的存储区。
需要说明的是,预设随机森林模型可以是服务器的管理人员预先设置的基于决策树的集成分类算法模型,本实施对此不加以限制。
用户分值可以是用来表示用户行为异常程度的分值,用户分值越大,用户行为越异常。
进一步地,为了能够预先生成可靠的随机森林模型,以提高用户分值的准确性,所述获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值之前,还包括:
获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集,根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型,根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果,根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型。
步骤S30:查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值。
需要说明的是,商户注册信息可以是商户在服务器进行注册时,填写的相关信息。例如,商户名称、经营种类等信息。
可以理解的是,查找当前交易商户对应的商户注册信息可以是在预设注册信息表中查找当前交易商户对应的商户注册信息。其中,预设注册信息表中包含交易商户与商户注册信息的对应关系,交易商户与商户注册信息的对应关系可以在交易商户注册时,预先存储,本实施例对此不加以限制。
应当理解的是,根据商户注册信息以及当前交易信息确定目标商户分值可以是将商户注册信息与当前交易信息进行匹配,获得匹配结果,并根据匹配结果确定目标商户分值。
进一步地,为了能够提高商户分值的准确性,所述查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值,包括:
根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息,在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息,根据所述商户类别信息以及所述当前交易信息确定目标商户分值。
步骤S40:根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息。
应当理解的是,根据目标用户分值以及目标商户分值生成交易风险等级可以是将目标用户分值与目标商户分值相加,获得总分值,根据总分值处于的分值区间确定交易风险等级。
在具体实现中,例如,总分值为50分,处于[20,80]的分值区间,对应中风险等级。
可以理解的是,根据交易风险等级生成交易风险预警信息可以是在预设预警信息表中查找交易风险等级对应的交易风险预警信息。其中,预设预警信息表中包含交易风险等级与交易风险预警信息的对应关系,例如,中风险等级对应的交易风险预警信息为“当前交易存在风险,请谨慎支付!”。
在第一实施例中,在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息,获取当前交易用户的当前行为数据,并通过预设随机森林模型对当前行为数据进行分析,获得目标用户分值,查找当前交易商户对应的商户注册信息,并根据商户注册信息以及当前交易信息确定目标商户分值,根据目标用户分值以及目标商户分值生成交易风险等级,并根据交易风险等级生成交易风险预警信息;由于本实施例中,通过当前交易用户的当前行为数据生成目标用户分值,当前交易商户对应的商户注册信息以及当前交易信息生成目标商户分值,并根据目标用户分值以及目标商户分值生成交易风险预警信息,从而能够在交易过程中,准确识别异常交易行为,并生成风险预警信息。
参照图3,图3为本发明风险预警方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明风险预警方法的第二实施例。
在第二实施例中,所述步骤S30,包括:
步骤S301:根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息。
需要说明的是,商户标识码可以是用于标识商户身份的数字码,索引信息可以是哈希值等信息,本实施例对此不加以限制。
应当理解的是,根据商户标识码确定索引信息可以是在预设索引信息表中查找商户标识码对应的索引信息。其中,预设索引信息表中包含商户标识码与索引信息的对应关系,商户标识码与索引信息的对应关系可以由服务器的管理人员预先输入,本实施例对此不加以限制。
步骤S302:在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息。
需要说明的是,预设区块链中可以预先存储哈希值以及哈希值对应的商户注册信息,本实施例对此不加以限制。
应当理解的是,根据商户注册信息确定商户类别信息可以是对商户注册信息进行信息提取,获得商户类别信息。
步骤S303:根据所述商户类别信息以及所述当前交易信息确定目标商户分值。
需要说明的是,商户分值可以是用来表示商户交易异常程度的分值,商户分值越大,商户行为越异常。
应当理解的是,根据商户类别信息以及当前交易信息确定目标商户分值可以是将商户类别信息与当前交易信息进行对比分析,获得分析结果,并根据分析结果确定目标商户分值。
在具体实现中,例如,商户A的商户类别信息为售卖B产品的小微企业,而B产品价格较低,需求量不大,但是,当前交易信息为金额较大、交易数量较多。分析可得,商户行为异常,可能存在刷单行为。因此,需要生成较高的商户分值。
进一步地,为了提高目标商户分值的准确性,所述步骤S303,包括:
根据所述商户类别信息以及所述当前交易信息生成初始商户分值;
查找所述当前交易商户对应的历史交易信息,并根据所述历史交易信息以及所述商户注册信息生成历史商户分值;
根据所述初始商户分值以及所述历史商户分值生成目标商户分值。
应当理解的是,根据商户类别信息以及当前交易信息确定初始商户分值可以是将商户类别信息与当前交易信息进行对比分析,获得分析结果,并根据分析结果确定初始商户分值。
可以理解的是,查找当前交易商户对应的历史交易信息可以是在预设商户信息存储区查找当前交易商户对应的历史交易信息。其中,预设商户信息存储区可以是服务器的管理人员预先设置的用于存放商户信息的存储区。
应当理解的是,根据初始商户分值以及历史商户分值生成目标商户分值可以是将初始商户分值与历史商户分值相加,获得目标商户分值。
进一步地,为了进一步提高目标商户分值的准确性,所述根据所述初始商户分值以及所述历史商户分值生成目标商户分值,包括:
获取所述当前交易商户对应的初始用户评价信息,并对所述初始用户评价信息进行预处理,获得目标用户评价信息;
根据所述目标用户评价信息以及所述历史交易信息生成修正分值;
根据所述修正分值、所述初始商户分值以及所述历史商户分值生成目标商户分值。
应当理解的是,获取所述当前交易商户对应的初始用户评价信息可以是通过预设脚本爬取当前交易商户对应的评论区数据,获得初始用户评价信息。
可以理解的是,对初始用户评价信息进行预处理,获得目标用户评价信息可以是对初始用户评价信息进行去噪、降重等处理,获得目标用户评价信息。
应当理解的是,根据目标用户评价信息以及历史交易信息生成修正分值可以是将目标用户评价信息与历史交易信息进行对比分析,获得分析结果,并根据分析结果确定修正分值。
可以理解的是,根据修正分值、初始商户分值以及历史商户分值生成目标商户分值可以是将修正分值、初始商户分值以及历史商户分值相加,获得目标商户分值。
在第二实施例中,根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息,在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息,根据所述商户类别信息以及所述当前交易信息确定目标商户分值;本实施例中,在区域链中查找商户注册信息,能够提高商户注册信息的可靠性,根据商户类别信息以及当前交易信息确定目标商户分值,能够提高商户分值的准确性。
在第二实施例中,所述步骤S40,包括:
步骤S401:根据所述当前交易信息确定当前交易类别,并根据所述当前交易类别确定用户权重值以及商户权重值。
需要说明的是,当前交易类别可以是交易产品的产品类别等,本实施例对此不加以限制。
应当理解的是,根据当前交易类别确定用户权重值以及商户权重值可以是在预设权重值表中查找当前交易类别对应的用户权重值,在预设权重值表中查找当前交易类别对应的商户权重值。其中,预设权重值表中包含当前交易类别与用户权重值的对应关系以及当前交易类别与商户权重值的对应关系,本实施例对此不加以限制。
步骤S402:根据所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值生成确定交易风险等级。
应当理解的是,根据目标用户分值、用户权重值、目标商户分值以及商户权重值可以是根据目标用户分值、用户权重值、目标商户分值以及商户权重值确定总分值,并根据总分值确定交易风险等级。
可以理解的是,根据目标用户分值、用户权重值、目标商户分值以及商户权重值确定总分值可以是根据目标用户分值、用户权重值、目标商户分值以及商户权重值通过预设分值公式计算总分值,其中,预设分值公式如下所示:
M=a×s1+b×s2
式中,M为总分值,a为目标用户分值,s1为用户权重值,b为目标商户分值,s2为商户权重值。
在具体实现中,例如,总分值为50分,处于[20,80]的分值区间,对应中风险等级。
步骤S403:在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系。
需要说明的是,交易风险等级与交易风险信息的对应关系可以由服务器的管理人员预先设置,本实施例对此不加以限制。例如,中风险等级对应的交易风险预警信息为“当前交易存在风险,请谨慎支付!”。
在第二实施例中,通过根据所述当前交易信息确定当前交易类别,并根据所述当前交易类别确定用户权重值以及商户权重值,根据所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值生成确定交易风险等级,在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系,从而能够自动生成交易风险预警信息。
参照图4,图4为本发明风险预警方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明风险预警方法的第三实施例。
在第三实施例中,所述步骤S20之前,还包括:
步骤S110:获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集。
应当理解的是,对历史行为数据进行分组可以是随机对历史行为数据进行分组;也可以是根据预设分组规则对历史行为数据进行分组,本实施例对此不加以限制。
步骤S120:根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型。
需要说明的是,初始随机森林模型可以是由服务器的管理人员预先设置,本实施例对此不加以限制。
步骤S130:根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果。
可以理解的是,根据测试数据集对候选随机森林模型进行测试,获得测试结果可以是将测试数据集中的测试数据逐一输入候选随机森林模型进行测试,获得测试结果。
步骤S140:根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型。
可以理解的是,根据测试结果对候选随机森林模型进行调整,获得目标随机森林模型可以是根据测试结果对候选随机森林模型的参数进行调整,获得目标随机森林模型。
在第三实施例中,通过获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集,根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型,根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果,根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型,从而能够预先生成可靠的随机森林模型,以提高用户分值的准确性。
在第三实施例中,所述步骤S40之后,还包括:
步骤S50:获取管理端设备信息,并查找所述管理端设备信息对应的信息展示模板。
需要说明的是,管理端设备信息可以是对服务器进行管理的设备信息,可以由服务器的管理人员预先录入,本实施例对此不加以限制。
应当理解的是,查找管理端设备信息对应的信息展示模板可以是在预设模板库中查找管理端设备信息对应的信息展示模板。其中,预设模板库中包含管理端设备信息与信息展示模板的对应关系,管理端设备信息与信息展示模板的对应关系可以由服务器的管理人员预先设置,本实施例对此不加以限制。
步骤S60:将所述交易风险预警信息写入所述信息展示模板,获得待展示信息,并将所述待展示信息发送至管理端设备。
可以理解的是,将待展示信息发送至管理端设备可以是将待展示信息通过预设无线连接发送至管理端设备。其中,预设无线连接可以是5G、4G等,本实施例对此不加以限制。
在第三实施例中,通过获取管理端设备信息,并查找所述管理端设备信息对应的信息展示模板,将所述交易风险预警信息写入所述信息展示模板,获得待展示信息,并将所述待展示信息发送至管理端设备,从而能够及时提醒管理端用户交易存在风险。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有风险预警程序,所述风险预警程序被处理器执行时实现如上文所述的风险预警方法的步骤。
此外,参照图5,本发明实施例还提出一种风险预警装置,所述风险预警装置包括:确定模块10、分析模块20和生成模块30;
所述确定模块10,用于在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息。
需要说明的是,交易请求可以是用户通过用户终端设备输入的请求信息。其中,用户终端设备可以是手机以及电脑等设备,本实施例对此不加以限制。
可以理解的是,根据交易请求确定当前交易用户、当前交易商户以及当前交易信息可以是对交易请求进行标识提取,获得信息标识,并根据信息标识确定当前交易用户、当前交易商户以及当前交易信息。
需要说明的是,信息标识可以是用来表示信息类型的标识;当前交易信息可以包括交易类型、交易时间、交易金额等信息,本实施对此不加以限制。
所述分析模块20,用于获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值。
需要说明的是,当前行为数据可以是用户在浏览商品时的购买行为数据以及用户在支付时的支付行为数据等,本实施例对此不加以限制。
应当理解的是,获取当前交易用户的当前行为数据可以是在预设存储区查找的当前交易用户对应的当前行为数据。其中,预设存储区可以是服务器的管理人员预先设置的用于存放用户数据的存储区。
需要说明的是,预设随机森林模型可以是服务器的管理人员预先设置的基于决策树的集成分类算法模型,本实施对此不加以限制。
用户分值可以是用来表示用户行为异常程度的分值,用户分值越大,用户行为越异常。
所述确定模块10,还用于查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值。
需要说明的是,商户注册信息可以是商户在服务器进行注册时,填写的相关信息。例如,商户名称、经营种类等信息。
可以理解的是,查找当前交易商户对应的商户注册信息可以是在预设注册信息表中查找当前交易商户对应的商户注册信息。其中,预设注册信息表中包含交易商户与商户注册信息的对应关系,交易商户与商户注册信息的对应关系可以在交易商户注册时,预先存储,本实施例对此不加以限制。
应当理解的是,根据商户注册信息以及当前交易信息确定目标商户分值可以是将商户注册信息与当前交易信息进行匹配,获得匹配结果,并根据匹配结果确定目标商户分值。
进一步地,为了能够提高商户分值的准确性,所述确定模块10,还用于根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息,在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息,根据所述商户类别信息以及所述当前交易信息确定目标商户分值。
所述生成模块30,用于根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息。
应当理解的是,根据目标用户分值以及目标商户分值生成交易风险等级可以是将目标用户分值与目标商户分值相加,获得总分值,根据总分值处于的分值区间确定交易风险等级。
在具体实现中,例如,总分值为50分,处于[20,80]的分值区间,对应中风险等级。
可以理解的是,根据交易风险等级生成交易风险预警信息可以是在预设预警信息表中查找交易风险等级对应的交易风险预警信息。其中,预设预警信息表中包含交易风险等级与交易风险预警信息的对应关系,例如,中风险等级对应的交易风险预警信息为“当前交易存在风险,请谨慎支付!”。
在本实施例中,在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息,获取当前交易用户的当前行为数据,并通过预设随机森林模型对当前行为数据进行分析,获得目标用户分值,查找当前交易商户对应的商户注册信息,并根据商户注册信息以及当前交易信息确定目标商户分值,根据目标用户分值以及目标商户分值生成交易风险等级,并根据交易风险等级生成交易风险预警信息;由于本实施例中,通过当前交易用户的当前行为数据生成目标用户分值,当前交易商户对应的商户注册信息以及当前交易信息生成目标商户分值,并根据目标用户分值以及目标商户分值生成交易风险预警信息,从而能够在交易过程中,准确识别异常交易行为,并生成风险预警信息。
在一实施例中,所述确定模块10,还用于根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息,在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息,根据所述商户类别信息以及所述当前交易信息确定目标商户分值;
在一实施例中,所述确定模块10,还用于根据所述商户类别信息以及所述当前交易信息生成初始商户分值,查找所述当前交易商户对应的历史交易信息,并根据所述历史交易信息以及所述商户注册信息生成历史商户分值,根据所述初始商户分值以及所述历史商户分值生成目标商户分值;
在一实施例中,所述确定模块10,还用于获取所述当前交易商户对应的初始用户评价信息,并对所述初始用户评价信息进行预处理,获得目标用户评价信息,根据所述目标用户评价信息以及所述历史交易信息生成修正分值,根据所述修正分值、所述初始商户分值以及所述历史商户分值生成目标商户分值;
在一实施例中,所述风险预警装置还包括:训练模块;
所述训练模块,用于获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集,根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型,根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果,根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型;
在一实施例中,所述生成模块30,还用于根据所述当前交易信息确定当前交易类别,并根据所述当前交易类别确定用户权重值以及商户权重值,根据所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值生成确定交易风险等级,在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系;
在一实施例中,所述风险预警装置还包括:提醒模块;
所述提醒模块,用于获取管理端设备信息,并查找所述管理端设备信息对应的信息展示模板,将所述交易风险预警信息写入所述信息展示模板,获得待展示信息,并将所述待展示信息发送至管理端设备。
本发明所述风险预警装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种风险预警方法,其特征在于,所述风险预警方法包括以下步骤:
在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息;
获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值;
查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值;
根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息;
其中,所述根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息的步骤,具体包括:
根据所述当前交易信息确定当前交易类别,并从预设权重值表中查找当前交易类别对应的用户权重值以及在预设权重值表中查找当前交易类别对应的商户权重值,其中,预设权重值表包括当前交易类别与用户权重值的对应关系以及当前交易类别与商户权重值的对应关系;
通过预设分值公式对所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值计算总分值,并根据总分值确定交易风险等级;
其中,所述预设分值公式如下:
M=a×s1+b×s2;
式中,M为总分值,a为目标用户分值,s1为用户权重值,b为目标商户分值,s2为商户权重值;
在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系。
2.如权利要求1所述的风险预警方法,其特征在于,所述查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值的步骤,具体包括:
根据所述当前交易商户确定商户标识码,并根据所述商户标识码确定索引信息;
在预设区块链中查找所述索引信息对应的商户注册信息,并根据所述商户注册信息确定商户类别信息;
根据所述商户类别信息以及所述当前交易信息确定目标商户分值。
3.如权利要求2所述的风险预警方法,其特征在于,所述根据所述商户类别信息以及所述当前交易信息确定目标商户分值的步骤,具体包括:
根据所述商户类别信息以及所述当前交易信息生成初始商户分值;
查找所述当前交易商户对应的历史交易信息,并根据所述历史交易信息以及所述商户注册信息生成历史商户分值;
根据所述初始商户分值以及所述历史商户分值生成目标商户分值。
4.如权利要求3所述的风险预警方法,其特征在于,所述根据所述初始商户分值以及所述历史商户分值生成目标商户分值的步骤,具体包括:
获取所述当前交易商户对应的初始用户评价信息,并对所述初始用户评价信息进行预处理,获得目标用户评价信息;
根据所述目标用户评价信息以及所述历史交易信息生成修正分值;
根据所述修正分值、所述初始商户分值以及所述历史商户分值生成目标商户分值。
5.如权利要求1-4中任一项所述的风险预警方法,其特征在于,所述获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值的步骤之前,所述风险管理方法还包括:
获取所述当前交易用户的历史行为数据,并对所述历史行为数据进行分组,获得训练数据集以及测试数据集;
根据所述训练数据集对初始随机森林模型进行训练,获得候选随机森林模型;
根据所述测试数据集对所述候选随机森林模型进行测试,获得测试结果;
根据所述测试结果对所述候选随机森林模型进行调整,获得目标随机森林模型,并将所述目标随机森林模型作为预设随机森林模型。
6.如权利要求1-3中任一项所述的风险预警方法,其特征在于,所述根据所述生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息的步骤之后,具体包括:
获取管理端设备信息,并查找所述管理端设备信息对应的信息展示模板;
将所述交易风险预警信息写入所述信息展示模板,获得待展示信息,并将所述待展示信息发送至管理端设备。
7.一种风险预警设备,其特征在于,所述风险预警设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险预警程序,所述风险预警程序被所述处理器执行时实现如权利要求1至6中任一项所述的风险预警方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有风险预警程序,所述风险预警程序被处理器执行时实现如权利要求1至6中任一项所述的风险预警方法的步骤。
9.一种风险预警装置,其特征在于,所述风险预警装置包括:确定模块、分析模块和生成模块;
所述确定模块,用于在接收到交易请求时,根据所述交易请求确定当前交易用户、当前交易商户以及当前交易信息;
所述分析模块,用于获取所述当前交易用户的当前行为数据,并通过预设随机森林模型对所述当前行为数据进行分析,获得目标用户分值;
所述确定模块,还用于查找所述当前交易商户对应的商户注册信息,并根据所述商户注册信息以及所述当前交易信息确定目标商户分值;
所述生成模块,用于根据所述目标用户分值以及所述目标商户分值生成交易风险等级,并根据所述交易风险等级生成交易风险预警信息;
其中,所述生成模块,还用于根据所述当前交易信息确定当前交易类别,并从预设权重值表中查找当前交易类别对应的用户权重值以及在预设权重值表中查找当前交易类别对应的商户权重值,其中,预设权重值表包括当前交易类别与用户权重值的对应关系以及当前交易类别与商户权重值的对应关系;通过预设分值公式对所述目标用户分值、所述用户权重值、所述目标商户分值以及所述商户权重值计算总分值,并根据总分值确定交易风险等级;
其中,所述预设分值公式如下:
M=a×s1+b×s2;
式中,M为总分值,a为目标用户分值,s1为用户权重值,b为目标商户分值,s2为商户权重值;
在预设预警信息表中查找所述交易风险等级对应的交易风险预警信息,所述预设预警信息表中包含交易风险等级与交易风险信息的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468692.4A CN112529575B (zh) | 2020-12-14 | 2020-12-14 | 风险预警方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468692.4A CN112529575B (zh) | 2020-12-14 | 2020-12-14 | 风险预警方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529575A CN112529575A (zh) | 2021-03-19 |
CN112529575B true CN112529575B (zh) | 2023-12-22 |
Family
ID=74999650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468692.4A Active CN112529575B (zh) | 2020-12-14 | 2020-12-14 | 风险预警方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529575B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095834A (zh) * | 2021-04-12 | 2021-07-09 | 中国工商银行股份有限公司 | 风险交易识别方法、装置及系统 |
CN114580927B (zh) * | 2022-03-09 | 2023-04-21 | 中武(福建)跨境电子商务有限责任公司 | 一种用于大宗商品采销平台的风险控制方法 |
CN114820198A (zh) * | 2022-06-29 | 2022-07-29 | 江西农业大学 | 基于区块链的异常交易事务识别方法、系统及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8966640B1 (en) * | 2014-07-25 | 2015-02-24 | Fmr Llc | Security risk aggregation and analysis |
CN109472610A (zh) * | 2018-11-09 | 2019-03-15 | 福建省农村信用社联合社 | 一种银行交易反欺诈方法及系统、设备和存储介质 |
CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技(深圳)有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
CN110992135A (zh) * | 2019-11-25 | 2020-04-10 | 拉扎斯网络科技(上海)有限公司 | 一种风险识别方法、装置、电子设备及存储介质 |
CN111062619A (zh) * | 2019-12-18 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 商户识别方法、装置、电子设备及存储介质 |
CN111192042A (zh) * | 2020-02-18 | 2020-05-22 | 夏南南 | 一种基于区块链的消费卡交易方法 |
CN111369301A (zh) * | 2020-03-16 | 2020-07-03 | 赵谦 | 一种交易评价的方法、装置及终端 |
CN111986027A (zh) * | 2020-08-21 | 2020-11-24 | 腾讯科技(上海)有限公司 | 基于人工智能的异常交易处理方法、装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190172129A1 (en) * | 2017-12-06 | 2019-06-06 | Mastercard International Incorporated | Systems and methods for using aggregated merchant analytics to analyze merchant loan risk |
-
2020
- 2020-12-14 CN CN202011468692.4A patent/CN112529575B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8966640B1 (en) * | 2014-07-25 | 2015-02-24 | Fmr Llc | Security risk aggregation and analysis |
CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技(深圳)有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
CN109472610A (zh) * | 2018-11-09 | 2019-03-15 | 福建省农村信用社联合社 | 一种银行交易反欺诈方法及系统、设备和存储介质 |
CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110992135A (zh) * | 2019-11-25 | 2020-04-10 | 拉扎斯网络科技(上海)有限公司 | 一种风险识别方法、装置、电子设备及存储介质 |
CN111062619A (zh) * | 2019-12-18 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 商户识别方法、装置、电子设备及存储介质 |
CN111192042A (zh) * | 2020-02-18 | 2020-05-22 | 夏南南 | 一种基于区块链的消费卡交易方法 |
CN111369301A (zh) * | 2020-03-16 | 2020-07-03 | 赵谦 | 一种交易评价的方法、装置及终端 |
CN111986027A (zh) * | 2020-08-21 | 2020-11-24 | 腾讯科技(上海)有限公司 | 基于人工智能的异常交易处理方法、装置 |
Non-Patent Citations (4)
Title |
---|
Going-concern prediction using hybrid random forests and rough set approach;Yeh Ching-Chiang 等;《Information Sciences》;第254卷;98-110 * |
Influence of Internet-based Social Big Data on Personal Credit Reporting;Li Meng 等;《Asia-pacific Journal of Convergent Research Interchange》;第6卷(第7期);39-57 * |
电子商务中计算机WEB数据挖掘技术的应用分析;朱沙;《电脑知识与技术》;第15卷(第32期);287-288 * |
随机森林方法在个人信用风险分析中的应用;李宵宵;《中国优秀硕士学位论文全文数据库基础科学辑》(第03期);A002-619 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529575A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529575B (zh) | 风险预警方法、设备、存储介质及装置 | |
US20200090077A1 (en) | Method for determining risk preference of user, information recommendation method, and apparatus | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
CN110874778A (zh) | 异常订单检测方法及装置 | |
CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN109102324B (zh) | 模型训练方法、基于模型的红包物料铺设预测方法及装置 | |
CN113469789A (zh) | 异常订单的检测方法、装置及计算机设备 | |
US20110191130A1 (en) | Method for supporting selection of subject for restriction countermeasure and system in the same | |
CN108763051B (zh) | 电子装置、交易软件运行风险预警方法及存储介质 | |
CN111931048A (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN109462582B (zh) | 文本识别方法、装置、服务器及存储介质 | |
CN111784053A (zh) | 交易风险检测方法、设备及可读存储介质 | |
CN115018625A (zh) | 征信融合报告生成方法、装置、设备及存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN112085240A (zh) | 抢购商品交易数据处理方法及系统 | |
CN114943219A (zh) | 物料清单测试数据的生成方法、装置、设备及存储介质 | |
CN114782224A (zh) | 基于用户特征的网页考评作弊监测方法、装置及电子设备 | |
CN110827144B (zh) | 用户的申请风险评估方法、申请风险评估装置及电子设备 | |
CN111143220B (zh) | 一种软件测试的训练系统及方法 | |
CN109976934B (zh) | 设备使用异常判定方法、装置以及计算机存储介质 | |
CN113052604A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
CN112464162A (zh) | 基于历史数据的基金比较方法、装置、计算机设备和介质 | |
CN111563039A (zh) | 一种工作量估算的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |