CN112801670B - 针对支付操作的风险评估方法及装置 - Google Patents

Abstract

本说明书实施例提供一种针对支付操作的风险评估方法。该方法中包括：响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；接着，基于该若干预测值，确定上述支付操作对应的风险预测结果；之后，响应于针对上述第一订单的支付操作，获取上述支付操作对应上述若干支付要素的若干真实值；进一步，在上述若干预测值与若干真实值相匹配的情况下，将该风险预测结果，确定为上述支付操作对应的最终风险结果。如此，可以有效降低对支付操作进行风险评估造成的计算时延。

Description

针对支付操作的风险评估方法及装置

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及一种针对支付操作的风险评估方法及装置，一种针对用户操作的风险评估方法及装置。

背景技术

在许多情况下，需要对用户行为、用户操作事件进行风险分析、评估，一方面，对识别出的高风险事件进行及时干预阻断，从而保护用户信息、财产安全，另一方面，对低风险的可信用户行为尽快放行，减少用户等待，进而提高用户体验。例如，在交易场景下，需要对用户支付行为进行风险评估，以识别出高风险交易事件，如欺诈、刷单、账号盗用等，并对高风险支付行为进行阻断，例如，支付平台主动外呼电话，询问及教育用户。

然而，目前在对用户的行为、操作事件进行风险分析时，存在分析准确度和分析耗时难以平衡的问题。具体，为提高分析准确度，希望采集尽可能丰富、全面的特征，用于进行风险分析，然而，需要分析的特征变量越多，耗费的时间越多，相关分析算法难以实现在线部署，无法保证分析结果的实时性、时效性。

因此，迫切需要一种方案，可以在保证风险评估结果具有较高准确度和可用性的同时，有效降低风险评估的耗时，从而提升用户体验。

发明内容

本说明书一个或多个实施例描述针对支付操作的风险评估方法及装置，针对用户操作的风险评估方法及装置，通过在对应目标操作的行为分析节点之前，对目标操作的操作要素和操作风险进行预判，之后响应于目标操作的触发，在对操作要素的预判结果与实际结果相符的情况下，将操作风险的预测结果直接作为目标操作的风险分析结果，从而实现对目标操作进行风险分析的耗时和准确度的平衡。

根据第一方面，提供了一种针对支付操作的风险评估方法，包括：响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；基于所述若干预测值，确定所述支付操作对应的风险预测结果；响应于针对所述第一订单的支付操作，获取该支付操作对应所述若干支付要素的若干真实值；在所述若干预测值与若干真实值相匹配的情况下，将所述风险预测结果，确定为所述支付操作对应的最终风险结果。

在一个实施例中，所述若干支付操作要素中包括支付位置；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：响应于所述提交操作，获取所述用户的当前位置；基于所述当前位置，确定所述用户在预设时间窗口内的预测位置范围。

在一个实施例中，所述若干支付操作要素中包括支付渠道；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：响应于所述提交操作，获取所述用户当前的场所信息和所述用户的支付渠道偏好信息；将所述场所信息、支付渠道偏好信息和所述第一订单的订单金额输入预先训练的渠道预测模型，得到预测支付渠道。

在一个实施例中，所述若干支付操作要素中包括核身方式；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：响应于所述提交操作，获取核身特征，该核身特征包括以下中的至少一项：当前可用的核身方式列表、所述用户的当前环境信息，以及所述用户的历史核身信息；将所述核身特征输入预先训练的核身方式预测模型中，得到预测核身方式。

在一个实施例中，基于该若干预测值，确定所述支付操作的风险预测结果，包括：将所述若干预测值和所述用户的画像特征，输入预先训练的支付风险评估模型中，得到所述风险预测结果。

在一个实施例中，基于该若干预测值，确定所述支付操作的风险预测结果，包括：针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数；基于所述若干支付操作要素对应的多个风险预测分数，确定所述风险预测结果。

在一个具体的实施例中，所述若干支付操作要素中包括支付位置，其对应的预测值为预测位置范围；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括：获取所述用户的多个历史支付位置；在所述预测位置范围包含任一历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第一预设分值；在所述预测位置范围不包含历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第二预设分值。

在一个具体的实施例中，所述若干支付操作要素中包括支付渠道，其对应的预测值为预测支付渠道；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括： 将所述预测支付渠道和所述第一订单的订单信息输入预先训练的渠道风险评估模型中，得到所述支付渠道对应的风险预测分数。

在另一个具体的实施例中，所述若干支付操作要素中包括核身方式，其对应的预测值为预测核身方式；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括：将所述第一订单的订单信息和所述预测核身方式输入预先训练的核身风险评估模型中，得到对应核身方式的风险预测分数。

在一个实施例中，所述提交操作基于服务平台而做出；在响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值之前，所述方法还包括：响应于用户基于所述服务平台做出的特定操作，获取该特定操作的操作特征；将该操作特征输入针对所述特定操作预先训练的风险评估模型中，得到所述特定操作对应的风险预测分数；其中，基于所述若干预测值，确定所述支付操作对应的风险预测结果，包括：基于所述若干预测值，确定第一风险评分；基于所述特定操作对应的风险预测分数和所述第一风险评分，确定所述风险预测结果。

在一个实施例中，所述提交操作基于服务平台而做出；所述方法还包括：响应于所述提交操作，获取在所述提交操作之前的预设时间窗口内所述用户在所述服务平台中的浏览操作数据；将所述用户的画像特征和所述浏览操作数据输入预先训练的浏览风险评估模型中，得到浏览操作风险分数；其中，基于所述若干预测值，确定所述支付操作对应的风险预测结果，包括：基于所述若干预测值，确定第一风险评分；基于所述浏览操作风险分数和第一风险评分，确定所述风险预测结果。

在一个具体的实施例中，在响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值之前，所述方法还包括：响应于用户基于所述服务平台做出的登录操作，获取该登录操作的操作特征；将该登录特征输入预先训练的登录风险评估模型中，得到登录操作风险分数；其中，基于所述浏览操作风险分数和所述第一风险评分，确定所述风险预测结果，包括：对所述浏览操作分数和登录操作分数进行加权求和，得到第二风险评分；基于所述第一风险评分和第二风险评分，确定所述风险预测结果。

根据第二方面，提供了一种针对用户操作的风险评估方法，包括：响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值；基于所述若干预测值，确定所述目标操作对应的风险预测结果；响应于所述用户做出所述目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值；在所述若干预测值与所述若干真实值相匹配的情况下，将所述风险预测结果，确定为所述目标操作对应的最终风险结果。

根据第三方面，提供了一种针对支付操作的风险评估装置，包括：要素值预测单元，配置为响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；风险预测单元，配置为基于所述若干预测值，确定所述支付操作对应的风险预测结果；真实值获取单元，配置为响应于针对所述第一订单的支付操作，获取该支付操作对应所述若干支付要素的若干真实值； 风险结果确定单元，配置为在所述若干预测值与若干真实值相匹配的情况下，将所述风险预测结果，确定为所述支付操作对应的最终风险结果。

根据第四方面，提供了一种针对用户操作的风险评估装置，包括：要素值预测单元，配置为响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值；风险预测单元，配置为基于所述若干预测值，确定所述目标操作对应的风险预测结果；真实值获取单元，配置为响应于所述用户做出所述目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值；风险结果确定单元，配置为在所述若干预测值与所述若干真实值相匹配的情况下，将所述风险预测结果，确定为所述目标操作对应的最终风险结果。

根据第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面或第二方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面或第二方面的方法。

根据本说明书实施例提供的方法和装置，不是在用户做出目标操作之后，再对该目标操作进行分析，而是响应于第一特定操作的触发，对还未发生、可能会发生的目标操作进行风险预判，包括根据已采集数据对目标操作的操作要素进行预测，并根据要素预测结果对目标操作进行风险分析，之后，响应于目标操作的触发，采集目标操作要素的真实值，在该真实值与预测值相匹配的情况下，可以直接获取之前根据预测值分析出的风险预测结果，作为实际发生的目标操作的最终风险结果。如此，可以有效降低对目标操作进行风险分析而产生的时延，并且，因目标操作的确定利用了丰富、全面的数据，故而具有较高的准确性和可用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。

图1为本说明书实施例披露的识别目标操作风险的场景架构示意图；

图2为本说明书实施例披露的识别支付操作风险的场景架构示意图；

图3示出根据一个实施例的针对支付操作的风险评估方法流程图；

图4示出根据一个实施例的针对用户操作的风险评估方法流程图；

图5示出根据一个实施例的针对支付操作的风险评估装置结构图；

图6示出根据一个实施例的针对用户操作的风险评估装置结构图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

如前所述，目前在对用户的行为（或称操作）、操作事件进行风险分析时，存在分析准确度和分析耗时难以平衡的问题。具体而言，目前对用户行为的风险识别有这么几种方案，一种方案是直接基于离线识别，通过在离线部署规则或者机器学习模型来进行风险判断，这种模式计算规模可以比较大，但是时效性满足不了风险对抗的要求；另一种是结合实时和近线异步引擎进行风险识别，通过用户实时行为触发规则和模型的分析，能够较好的满足风险防控的时效性，但是需要等到所有数据采集完成后，进行大规模的数据实时计算，计算耗时和成本比较高。

进一步，发明人考虑到，用户的行为模式通常具有一定的规律性，并且用户行为通常不是孤立存在的，在用户做出需分析的目标行为之前，往往还会做出其他行为，由此，发明人提出一种用户操作的风险评估方法，不是在用户做出需分析的目标行为之后，再对该目标行为进行分析，而是根据特定行为的触发，对还未发生、可能会发生的目标行为进行预判，包括根据已采集数据对目标行为的行为要素进行预测，并根据要素预测结果对目标行为进行风险分析，之后，根据目标行为的发生、触发，采集行为要素的真实情况，在该真实情况与预测结果相匹配的情况下，可以直接获取之前根据要素预测结果分析出的风险结果，作为实际发生的目标行为的实际使用风险结果。如此，可以有效降低对目标行为进行风险分析而产生的时延，并且，因风险分析结果的确定利用了丰富、全面的数据，故而具有较高的准确性和可用性。

图1为本说明书实施例披露的识别目标操作风险的场景架构示意图。如图1所示，首先，响应于特定操作的触发，对同一用户的目标操作进行要素预测，得到N个要素对应的N个预测值，图中将第i个要素预测值表示为要素i预测值，进而根据该N个预测值，确定目标操作的风险预测结果；然后，响应于目标操作的触发，获取N个要素对应的N个真实值，进一步，在该N个真实值与上述N个预测值相匹配的情况下，将上述风险预测结果作为目标操作的最终风险结果，而在不相匹配的情况下，基于上述N个真实值，对目标操作进行风险分析，得到最终风险结果。

在一种典型的实施场景中，上述特定操作可以是订单提交操作，上述目标操作可以包括订单支付操作，N个要素可以包括支付位置、支付渠道、核身方式（或称身份验证方式）等，具体可以参见图2。如图2所示，首先，响应于用户的订单提交操作，针对提交订单的支付操作进行操作要素预测，得到预测位置、预测渠道等，并根据预测出的要素值分析出支付预测风险；然后，响应于对提交订单的支付操作，获取该支付操作所对应操作要素的实际值（或称真实值），如实际位置、实际渠道等，并对操作要素的实际值和预测值进行匹配，若匹配成功，则将支付预测风险作为该支付操作的实际支付风险，若匹配失败，则基于操作要素的实际值进行风险风险，得到实际支付风险。为便于理解，下面先结合此种典型的实施场景，对本说明书实施例披露的风险评估方法进行介绍。

图3示出根据一个实施例的针对支付操作的风险评估方法流程图，可以理解，该方法的执行主体可以是任何具有计算、处理能力的装置、平台或设备集群。如图3所示，所述方法包括以下步骤：

步骤S310，响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；步骤S320，基于上述若干预测值，确定上述支付操作对应的风险预测结果；步骤S330，响应于针对上述第一订单的支付操作，获取该支付操作对应上述若干支付要素的若干真实值；步骤S340，判断上述若干预测值和若干真实值是否匹配，进一步，在判断出匹配的情况下，在步骤S351，将上述风险预测结果，确定为上述支付操作对应的最终风险结果。

以上步骤具体如下：

首先，在步骤S310，响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值。需说明，为简洁描述，文中将任一的一个或一笔订单称为第一订单。对于提交操作，在一个实施例中，提交操作可以是对用户界面中提交按钮的点击操作。在另一个实施例中，提交操作可以对应声控操作或手势操作等。

对于上述若干支付操作要素，包括在提交操作后可能发生变化的动态操作要素，具体可以根据实际需求或实际经验进行设定，并且，文中的若干指代一个或多个。在一个实施例中，上述若干支付操作要素中包括支付位置，相应，该支付位置的预测值（或称预测支付位置）的确定可以包括：响应于上述提交操作，获取做出该提交操作的用户的当前位置；再基于该当前位置确定用户在进行支付操作时的预测位置。在一个具体的实施例中，其中当前位置可以包括经纬度信息。在另一个具体的实施例中，其中当前位置可以包括场所信息，如某超市、某商圈、某广场、某座楼宇等等。

另一方面，在一个具体的实施例中，基于当前位置确定支付操作的预测位置可以包括：将当前位置包括的场所直接确定为预测位置。在另一个具体的实施例中，预测位置的确定可以包括：基于当前位置中包括的经纬度信息，将预测位置确定为以该经纬度信息所标识的坐标点为圆心，以预设距离（如1km）为半径的圆形区域。在又一个具体的实施例中，预测位置的确定可以包括：基于当前位置，确定用户在预设时间窗口内的预测位置范围。需说明，其中预设时间窗口可以由工作人员可以根据下单操作和支付操作之间的常规间隔时间进行设定和调整。进一步，在一个更具体的实施例中，当前位置中包括经纬度信息，基于此，可以结合预设移动速度上限（如30km/h）确定用户在预设时间窗口内（如5min）内的移动距离上限（如2.5km），进而将预测位置确定为以该当前位置中经纬度信息所标识的坐标点为中心，以及以该移动距离上限为半径的圆形区域。在另一个更具体的实施例中，当前位置中同时包括场所信息和经纬度信息，基于此，可以结合场所信息所对应的预设移动速度上限（如在购物街中的移动速度上限为9km/h）,确定用户在预设时间窗口内（如10min内）的移动距离上限（如1.5km），进而将以当前位置中的经纬度标识的坐标点为中心，以及以该移动距离上限为半径的圆形区域，作为预测位置范围。

以上，可以根据用户做出订单提交操作时的当前位置，预测出订单支付操作时的用户位置，或称预测位置、预测支付位置、预测位置范围。

在另一个实施例中，上述若干支付操作要素中包括支付渠道，相应，在一个具体的实施例中，该支付渠道的预测值（或称预测支付渠道）的确定可以包括：响应于上述提交操作，获取用户当前的场所信息和用户的支付渠道偏好信息；然后，将该场所信息、用户的支付渠道偏好信息和第一订单的订单金额，输入预先训练的渠道预测模型，得到预测支付渠道。在一个示例中，其中场所信息可以涉及不同颗粒度的场所，如城市、商圈、街道、商户等。在一个示例中，其中用户的支付渠道偏好信息可以是响应于上述提交操作而获取的，还可以是在提交操作之前获取的，如根据用户的商品浏览操作进行获取。在一个示例中，支付渠道偏好信息包括用户自定义的支付渠道排序，如排在首位的是某钱包余额，排在第2位的是某银行卡等。在另一个示例中，支付渠道偏好信息可以包括根据用户使用支付渠道的历史数据，例如，不同渠道的使用次数。

此外需说明，本文中提及的模型，如上述渠道预测模型，是指机器学习模型，并且，上述渠道预测模型是采用监督学习的方式，预先训练而得到，因渠道预测模型的训练方式与使用方式类似，主要区别在于，训练阶段是利用带标签的训练数据对模型参数进行调整，而使用阶段是利用训练好的模型预测标签，无需调整模型参数，因此，对渠道预测模型的训练方式不作赘述。如此，可以实现利用机器学习模型进行支付渠道的预测。

在另一个具体的实施例中，预测支付渠道的确定可以包括：获取用户最近一次支付时使用的支付渠道，或者，在预定时段内（如最近1个月内）最常使用的支付渠道，并将获取的支付渠道确定为预测支付渠道。

以上，可以预测出订单支付操作时的用户使用的预测支付渠道。

在还一个实施例中，上述若干支付操作要素中包括核身方式，相应，该核身方式的预测值（或称预测核身方式）的确定可以包括：响应于上述提交操作，获取核身特征，再将此核身特征输入预先训练的核身方式预测模型中，得到预测核身方式。在一个具体的实施例中，其中核身方式包括当前可用的核身方式列表。需理解，核身指核验用户身份，有的核身方式在用户开通后才支持使用，比如刷脸验证、指纹验证、虹膜验证等，相应，在一个示例中，当前可用的核身方式列表中可以包括用户已经开通的身份验证方式。在另一个示例中，用户通过商户提供的IoT（Internet of Things，物联网）机具进行订单提交等操作，不同IoT机具的配置可能不同，相应支持的核验方式不同，例如，有的IoT机具配置有摄像头，才能支持人脸支付，因此，当前可用的核身方式列表中可以包括用户当前使用的IoT机具支持的核身方式。在另一个具体的实施例中，核身特征中包括上述用户的当前环境信息。在一个示例中，当前环境信息可以由用户的个人终端采集，或者，由用户所在场所的IoT机具采集。在一个示例中，当前环境信息可以包括温度、湿度、光照强度、场所信息等。在又一个具体的实施例中，核身特征中包括上述用户的历史核身信息，例如，用户在预定时间（如最近一个月）内使用各种核身方式的次数。

上述核身方式预测模型是采用监督学习的方式预先训练而得到，因其训练方式与使用方式类似，故在此对训练方式不作赘述。如此，可以实现利用机器学习模型进行核身方式的预测。

在另一个具体的实施例中，预测核身方式的确定可以包括：获取用户最近一次核身时采用的核身方式，或者，在预定时段内（如最近1个月内）最常采用的核身方式，并将获取的核身方式确定为预测核身方式。

以上，可以预测出订单支付操作时向用户提供的预测核身方式。

由上可知，上述若干支付操作要素中可以包括支付位置、支付渠道和核身方式，实际上，支付操作涉及的操作因素繁多，可以根据实际需求、经验等进行选取、组合，进而作为支付操作要素。例如，上述若干支付操作要素中还可以包括支付操作中涉及的支付人（如自付或代付，代付人等）、支付订单中商家的收款二维码（例如，一个商家可以有多个收款二维码，其会提供其中一个二维码展示给用户以收取货款），等等。

以上，可以预测针对用户提交的第一订单的支付操作对应于上述若干支付操作要素的若干预测值。然后，在步骤S320，基于该若干预测值，确定支付操作对应的风险预测结果。需理解，此时支付操作还未发生，其在未来可能会发生，也可能不会发生（例如，用户取消订单），此步骤实际是假定未来发生的支付操作对应上述若干预测值，并基于该若干预测值进行支付操作的风险预测。

在一种实施方式中，本步骤可以实施为：针对上述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数；再基于若干支付操作要素对应的若干风险预测分数，确定支付操作对应的风险预测结果。

在一个实施例中，若干支付操作要素中包括支付位置，相应，在一个具体的实施例中，该支付位置对应的风险预测分数（或称位置风险分）的确定可以包括：获取上述用户的多个历史支付位置；在该支付位置的预测值，即预测支付位置，与多个历史支付位置中的任一位置相匹配的情况下，将该预测支付位置对应的风险预测分数确定为第一预设分值，而在预测支付位置与多个历史支付位置均不匹配的情况下，将位置风险分确定为第二预设分值。需理解，第一预设分值与第二预设分值不同，在一个示例中，第一预设分值（如0）小于第二预设分值（如1），此时，认为风险分的分值越大，风险越高。

对于预测支付位置与历史支付位置之间是否匹配的判定规则，在一个具体的实施例中，预测支付位置包括场所名称，多个历史支付位置中包括对应的场所名称，相应地，在一个示例中，上述判定规则可以包括：若两个位置对应的场所名称相同，则判定该两个位置相匹配，若不同则判定不匹配；在另一个示例中，上述判定规则可以包括：若预设历史位置中的场所与某个历史支付位置中场所存在包含关系，则判定两者匹配，例如，某个历史支付位置中的某商户位于预设历史位置中的某商圈中，则判定两者相匹配。在另一个具体的实施例中，预测支付位置包括用经纬度区域，历史位置包括经纬度坐标点，相应地，上述判定规则可以包括：若历史位置中的经纬度坐标点落入预测支付位置中的经纬度区域，则判定两个位置相匹配，否则判定不匹配。

在另一个具体的实施例中，确定支付位置对应的风险预测分数可以包括：将上述预测支付位置、上述用户的多个历史支付位置输入预先训练的位置风险预测模型中，得到位置风险分数。如此，可以确定出支付位置要素对应的风险预测分数。需说明，对位置风险预测模型的训练可以采用监督学习的方式实现，训练方式可以参照使用方式，不作赘述。

在一个实施例中，若干支付操作要素中包括支付渠道，相应，该支付渠道对应的风险预测分数（或称渠道风险分）的确定可以包括：将该支付渠道的预测值，即预测支付渠道，和上述第一订单的订单信息输入预先训练的渠道风险评估模型中，得到渠道风险分。在一个示例中，订单信息可以包括订单商品名称、订单商品件数、供应订单商品的商户名称，订单金额等等。需说明，对渠道风险评估模型的训练可以采用监督学习的方式实现，训练方式可以参照使用方式，不作赘述。

在一个实施例中，若干支付操作要素中包括核身方式，相应，该核身方式对应的风险预测分数（或称核身风险分）的确定可以包括：将该核身方式的预测值，即预测核身方式，和上述第一订单的订单信息输入预先训练的核身风险评估模型中，得到核身风险分。需说明，对核身风险评估模型的训练可以采用监督学习的方式实现，训练方式可以参照使用方式，不作赘述。

以上，可以针对各个支付操作要素，分别确定对应的风险预测分数。然后，再对确定出的对应若干支付操作要素的风险预测分数进行综合，得到第一风险评分，并基于该第一风险评分确定支付操作对应的风险预测结果。在一个实施例中，若干支付操作要素为一个支付操作要素，相应，可以将其对应的风险预测分数确定为支付操作对应的风险预测结果。在另一个实施例中，若干支付操作要素实现为多个支付操作要素，相应，可以将多个支付要素对应的多个风险预测分数进行加和处理、或求平均处理，或加权求和等综合处理，得到第一风险评分，并将该第一风险评分确定为风险预测结果。另一方面，在一个实施例中，可以将第一风险评分与预设分数阈值进行大小比较，若第一风险评分大于预设分数阈值，则将有风险确定为支付操作的风险预测结果，反之，若第一风险评分小于预设分数阈值，则将无风险确定为支付操作的风险预测结果。

在以上描述的实施方式中，可以先确定出各个支付操作要素对应的风险预测分数，再综合得到支付操作对应的风险预测结果。

在另一种实施方式中，本步骤可以实施为：将若干支付操作要素对应的若干预测值和上述用户的画像特征，共同输入预先训练的支付风险评估模型中，得到上述风险预测结果。在一个实施例中，用户画像特征可以包括性别、年龄、职业、常驻地、兴趣爱好、人群特征（如高消费人群或低消费人群等），等等。如此，可以得到支付操作对应的风险预测结果。

以上，可以根据上述若干预测值，确定出支付操作对应的风险预测结果。根据另一方面的实施例，上述风险预测结果的确定，还可以引入其他操作环节的风险信息，从而进一步提高风险预测结果的准确度，同时，实现分散预测，以分散计算量、降低延迟。

在一个实施例中，上述提交操作基于服务平台（如电商平台、交易平台等）而做出，服务平台可以向用户提供客户端或者平台网站，供用户使用平台通过的服务，在使用服务的过程中做出订单提交操作。基于此，在步骤S310之前，上述方法还可以包括：响应于用户基于该服务平台做出的特定操作，获取该特定操作的操作特征；再基于该操作特征，确定该特定操作对应的风险预测分数。相应地，上述步骤S320可以包括：基于上述若干预测值，确定第一风险评分；基于该第一风险评分和上述特定操作对应的风险预测分数，确定风险预测结果。

进一步，对于上述特定操作，在一个具体的实施例中，特定操作可以包括登录操作、浏览操作等。对于该特定操作的操作特征，在一个具体的实施例中，该操作特征可以包括操作时间、操作地址（如地理位置或IP地址等）、操作设备标识（如Mac地址、国际移动设备识别码IMEI等）、用户针对上述特定操作的偏好统计特征（如常用设备的设备标识等）。

对于特定操作所对应风险预测分数的确定，在一个具体的实施例中，可以将上述操作特征，或者，将上述操作特征和用户的画像特征，输入针对该特定操作预先训练的风险评估模型中，得到上述特定操作对应的风险预测分数。在一个示例中，假定特定操作包括浏览操作，操作特征中还可以包括浏览内容和各项浏览内容的浏览时长等，进而将该浏览操作的操作特征和用户的画像特征输入采用监督学习的方式预先训练的浏览风险评估模型中，得到浏览操作风险分。在另一个具体的实施例中，利用针对该特定操作预先设定的风险评分规则，得到上述特定操作对应的风险预测分数。在一个示例中，假定特定操作包括登录操作，操作特征包括该特定操作所对应当前设备的当前设备标识，以及上述用户历史上做出该特定操作的设备标识集合，登录操作对应的风险评分规则包括：若当前设备标识属于设备标识集合且为最常用设备标识，则将风险预测分数设定为第一分值（如0），若当前设备标识属于设备标识集合但不是最常用设备标识，则将风险预测分数设定为第二分值（如2），若不属于，则将风险预测分数设定为第三分值（如10）。

如此，可以得到特定操作对应的风险预测分数，进而结合基于上述若干预测值确定出的第一风险评分，确定上述支付操作的风险预测结果。在一个具体的实施例中，可以对该特定操作对应的风险预测分数和第一风险评分进行加和处理、或求平均处理，得到上述风险预测结果。在一个更具体的实施例中，特定操作包括浏览操作和登录操作，相应地，可以对浏览操作对应的风险预测分数和登录操作对应的风险预测分数进行加权求和，得到第二风险评分，再基于第一风险评分和第二风险评分，得到上述风险预测结果。对于加权求和用到的权重值，在一个示例中，可以是根据人工经验设定的。在另一个示例中，以是通过采集历史数据进行统计而确定的，例如，获取N个存在风险的历史支付事件，统计出其中m个事件在浏览环节出现风险，k个事件在登录环节出现风险，进一步，分别将m/N和k/N作为浏览操作和登录操作对应的权重值。对于风险预测结果的确定，在一个示例中，可以对第一风险评分和第二风险评分进行求和、或平均、或加权求和（如根据人工设定的权重）等处理。

以上，可以引入其他操作环节的风险信息，并在其他操作环节实现对应操作的风险评估，从而实现对支付操作风险的分散预测，缓解计算压力，降低延迟。另一方面，针对浏览操作，考虑到用户可能会进行长时间的浏览，如1h甚至更长，此时，若将浏览操作操作数据进行全量采集，并作为操作特征用以进行浏览风险评估，将会造成较大的计算压力。基于此，可以对浏览操作风险的评估进行进一步改进优化，在一个具体的实施例中，可以针对浏览操作设定时间窗口，进一步，直到用户做出其他操作（如订单提交操作）而使得浏览操作终止，将最近一个预设时间窗口（如5min）内采集到的浏览数据作为浏览操作的操作特征，用以确定浏览操作风险分数。如此，可以使得使用少量的浏览数据同样可以得到可用性较高的浏览操作风险分数，进而用于确定支付操作的风险预测结果。

由上，可以确定出尚未发生的支付操作的风险预测结果。之后，在步骤S330，响应于针对上述第一订单的支付操作，获取该支付操作对应上述若干支付要素的若干真实值。需说明，其中支付操作可以包括支付环节中的若干具体操作，例如，该若干具体操作可以包括对支付按键的点击操作或声控操作等，又例如，该若干具体操作可以包括支付环节中的核身操作，具体如输入首个密码字符或者对人脸验证的触发操作。基于此，在一个实施例中，可以响应于某个具体操作，同时获取上述若干真实值，例如，响应于核身操作的触发，同时获取上述若干真实值；在另一个实施例中，也可以响应于不同具体操作，分别获取不同的真实值，例如，响应于对支付按钮的点击，获取实际支付位置，响应于对核身操作的触发，获取实际支付渠道和实际核审方式。此外需说明，上述若干真实值可以通过与用户进行交互的终端设备进行采集得到，例如，该终端设备可以是用户的个人终端，如智能手机、平板电脑、台式机等，又例如，该终端设备可以是商户的IoT机具。

以上，可以获取实际发生的支付操作，其对应于若干支付要素的若干真实值（或称若干实际值）。

接着，在步骤S340，判断上述若干预测值和若干真实值是否匹配。在一个实施例中，针对若干支付操作要素，分别判断应各个支付操作要素的一组预测值和真实值是否匹配，若针对各组的判断结果均是匹配，则判定上述若干预测值和若干真实值相匹配，否则判定不匹配。另外，也可以根据实际情况放宽标准，比如，若存在90%的要素所对应的判断结果是匹配的，则认为相匹配。

对于单组预测值和真实值的判别，在一个实施例中，针对某一支付操作要素，若其所对应的预测值和真实值相同，则认为二者匹配，否则不匹配。在另一个实施例中，针对某一支付操作要素，若其所对应的预测值和真实值相同或存在包含关系，则认为二者匹配，否则不匹配。例如，针对支付位置要素，如果预测支付位置（例如某商圈）包含实际支付位置（例如某商户），可以认为二者匹配。

由上，可以判断出上述若干预测值和若干真实值是否匹配。进一步，在判断出整体相匹配的情况下，在步骤S351，将上述风险预测结果，确定为上述支付操作对应的最终风险结果。基于该最终风险结果，系统将对该支付操作对应的支付请求进行进一步处理，例如，若最终风险结果指示支付操作属于高风险，则终止对相应支付请求的处理，并提示用户支付失败；若最终风险结果指示支付操作属于中风险，则要求用户再次进行核身（不同于本次支付中已经采用的核身方式）；若最终风险结果指示支付操作属于低风险，则完成对该支付请求的处理，并提示用户支付成功。

如此，相比于在接收到支付操作后，再开始根据采集到的大量数据进行风险判别，可以有效降低时延，减少用户等待时间，甚至使得用户未感知到等待，使得其具有十分流畅的体验。

另一方面，在通过步骤S340判断出整体不匹配的情况下，在步骤S352，基于上述若干真实值，确定支付操作对应的最终风险结果，在一个实施例中，还可以基于用户的画像数据，以及本次支付中其他环节采集的数据，对本次支付操作进行风险评估，得到上述最终风险结果。在一个实施例中，其中风险评估可以通过预先训练的支付风险评估模型实现。在另一个实施例中，其中风险评估可以基于一些机器学习模型和判别规则，共同实现。如此，可以确定出支付操作对应的最终风险结果。

综上，采用本说明书实施例披露的针对支付操作的风险评估方法，不是在用户做出支付操作之后，再对该支付操作进行分析，而是响应于订单提交操作的触发，对还未发生、可能会发生的支付操作进行风险预判，包括根据已采集数据对支付操作的操作要素进行预测，并根据要素预测结果对支付操作进行风险分析，之后，响应于支付操作的触发，采集支付操作要素的真实值，在该真实值与预测值相匹配的情况下，可以直接获取之前根据预测值分析出的风险预测结果，作为实际发生的支付操作的最终风险结果。如此，可以有效降低对支付操作进行风险分析而产生的时延，并且，因支付操作的确定利用了丰富、全面的数据，故而具有较高的准确性和可用性。

以上，对目标分析操作为支付操作的典型场景进行说明，更通用地，本说明书实施例还披露一种针对用户操作的风险评估方法，该用户操作不限于支付操作，还可以是其他需要进行风险评估的操作，如身份验证操作等，比如，在进入演唱会场馆或体育赛事场馆的场景下，举办方要求入场观众进行身份验证。

图4示出根据一个实施例的针对用户操作的风险评估方法流程图，可以理解，该方法的执行主体可以是任何具有计算、处理能力的装置、平台或设备集群。如图4所示，所述方法包括以下步骤：

步骤S410，响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值。

在一个实施例中，上述服务平台提供身份验证服务，上述第一特定操作可以是基于服务平台的登录操作；上述目标操作可以是身份验证操作。在另一个实施例中，上述服务平台提供生活缴费服务，上述第一特定操作可以是对生活缴费服务图标的触发操作，如点击操作或声控操作等；上述目标操作可以是缴费支付操作。

在一个实施例中，上述若干目标操作要素包括在上述第一特定操作后可能会发生变化的动态操作要素。在一个具体的实施例中，上述若干目标操作要素可以包括目标操作的操作位置、操作时段，以及目标操作所对应的、用户可以通过交互界面进行更改的可更改要素。

根据一个示例，假定第一特定操作是对生活缴费界面中水费图标的触发操作，目标操作是税费缴纳操作，其对应的上述可更改要素可以包括水费所对应的户号、支付渠道、核身方式等。根据另一个示例，假定目标操作是身份验证操作，其对应的上述可更改要素可以包括验证方式（如刷身份证、刷脸等）等。

对于若干预测值的确定，可以通过利用针对目标操作要素的预测模型，或者其他算法规则进行确定，具体可以参见前述实施例中的相关描述。

在得到上述若干预测值后，接着在步骤S420，基于该若干预测值，确定上述目标操作对应的风险预测结果。

在一个实施例中，可以利用风险评估模型，和/或，风险判别规则，确定上述风险预测结果。另一方面，在一个实施例中，在确定风险预测结果时，还可以引入在针对上述第一特定操作之前的第二特定操作采集的操作数据，或者，引入在该第二特定操作所对应操作环节中根据本环节的操作数据预测得到的风险分数，或者，还可以引入针对在上述第一特定操作与目标操作之间的第三特定操作采集的操作数据，或者，引入在该第三特定操作所对应操作环节中根据本环节的操作数据预测得到的风险分数。

需说明，对步骤S420的描述，还可以参见前述实施例中的相关描述。

以上，可以在用于实际做出目标操作之前，确定出目标操作对应的风险预测结果。

然后，在步骤S430，响应于上述用户做出目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值。需说明，该若干真实值可以通过与用户进行交互的终端设备进行采集而得到，例如，该终端设备可以是用户的个人终端，如智能手机、智能可穿戴设备等，又例如，该终端设备可以是商户的IoT机具。

接着在步骤S440，判断上述若干预测值和若干真实值是否匹配，进一步，在判断出整体匹配的情况下，在步骤S451，将上述风险预测结果，确定为所述目标操作对应的最终风险结果。另一方面，在判断出整体不匹配的情况下，在步骤S452，基于该若干真实值，确定目标操作对应的最终风险结果。

需说明，对步骤S440、S451和S452的介绍，还可以参见前述实施例中的相关描述。

综上，采用本说明书实施例披露的针对目标操作的风险评估方法，不是在用户做出目标操作之后，再对该目标操作进行分析，而是响应于第一特定操作的触发，对还未发生、可能会发生的目标操作进行风险预判，包括根据已采集数据对目标操作的操作要素进行预测，并根据要素预测结果对目标操作进行风险分析，之后，响应于目标操作的触发，采集目标操作要素的真实值，在该真实值与预测值相匹配的情况下，可以直接获取之前根据预测值分析出的风险预测结果，作为实际发生的目标操作的最终风险结果。如此，可以有效降低对目标操作进行风险分析而产生的时延，并且，因目标操作的确定利用了丰富、全面的数据，故而具有较高的准确性和可用性。

与上述实施例中描述的风险评估方法相对应的，本说明书实施例中还披露风险评估装置。具体如下：

图5示出根据一个实施例的针对支付操作的风险评估装置结构图。可以理解，风险评估装置可以实现为任何具有计算、处理能力的装置、设备或设备集群。如图5所示，所述装置500包括：

要素值预测单元510，配置为响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值。风险预测单元520，配置为基于所述若干预测值，确定所述支付操作对应的风险预测结果。真实值获取单元530，配置为响应于针对所述第一订单的支付操作，获取该支付操作对应所述若干支付要素的若干真实值。风险结果确定单元540，配置为在所述若干预测值与若干真实值相匹配的情况下，将所述风险预测结果，确定为所述支付操作对应的最终风险结果。

在一个实施例中，所述若干支付操作要素中包括支付位置；其中要素值预测单元510具体配置为：响应于所述提交操作，获取所述用户的当前位置；基于所述当前位置，确定所述用户在预设时间窗口内的预测位置范围。

在一个实施例中，所述若干支付操作要素中包括支付渠道；其中要素值预测单元510具体配置为：响应于所述提交操作，获取所述用户当前的场所信息和所述用户的支付渠道偏好信息；将所述场所信息、支付渠道偏好信息和所述第一订单的订单金额输入预先训练的渠道预测模型，得到预测支付渠道。

在一个实施例中，所述若干支付操作要素中包括核身方式；其中要素值预测单元510具体配置为：响应于所述提交操作，获取核身特征，该核身特征包括以下中的至少一项：当前可用的核身方式列表、所述用户的当前环境信息，以及所述用户的历史核身信息；将所述核身特征输入预先训练的核身方式预测模型中，得到预测核身方式。

在一个实施例中，上述风险预测单元520具体配置为：将所述若干预测值和所述用户的画像特征，输入预先训练的支付风险评估模型中，得到所述风险预测结果。

在一个实施例中，上述风险预测单元520具体包括：单要素风险预测模块，配置为针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数；风险分数整合模块，配置为基于所述若干支付操作要素对应的多个风险预测分数，确定所述风险预测结果。

在一个具体的实施例中，所述若干支付操作要素中包括支付位置，其对应的预测值为预测位置范围；上述单要素风险预测模块具体配置为：获取所述用户的多个历史支付位置；在所述预测位置范围包含任一历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第一预设分值；在所述预测位置范围不包含历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第二预设分值。

在一个具体的实施例中，所述若干支付操作要素中包括支付渠道，其对应的预测值为预测支付渠道；上述单要素风险预测模块具体配置为：将所述预测支付渠道和所述第一订单的订单信息输入预先训练的渠道风险评估模型中，得到所述支付渠道对应的风险预测分数。

在一个具体的实施例中，所述若干支付操作要素中包括核身方式，其对应的预测值为预测核身方式；上述单要素风险预测模块具体配置为：将所述第一订单的订单信息和所述预测核身方式输入预先训练的核身风险评估模型中，得到对应核身方式的风险预测分数。

在一个实施例中，所述提交操作基于服务平台而做出；所述装置500还包括：特定环节风险判别单元，配置为响应于用户基于所述服务平台做出的特定操作，获取该特定操作的操作特征；将该操作特征输入针对所述特定操作预先训练的风险评估模型中，得到所述特定操作对应的风险预测分数；上述风险预测单元520具体配置为：基于所述若干预测值，确定第一风险评分；基于所述特定操作对应的风险预测分数和所述第一风险评分，确定所述风险预测结果。

在一个实施例中，所述提交操作基于服务平台而做出；所述装置500还包括：浏览数据获取单元，配置为响应于所述提交操作，获取在所述提交操作之前的预设时间窗口内所述用户在所述服务平台中的浏览操作数据；将所述用户的画像特征和所述浏览操作数据输入预先训练的浏览风险评估模型中，得到浏览操作风险分数。上述风险预测单元520具体配置为：基于所述若干预测值，确定第一风险评分；基于所述浏览操作风险分数和第一风险评分，确定所述风险预测结果。

在一个具体的实施例中，所述装置500还包括：登录数据获取单元，配置为响应于用户基于所述服务平台做出的登录操作，获取该登录操作的操作特征；将该登录特征输入预先训练的登录风险评估模型中，得到登录操作风险分数；上述风险预测单元520配置为：对所述浏览操作分数和登录操作分数进行加权求和，得到第二风险评分；基于所述第一风险评分和第二风险评分，确定所述风险预测结果。

图6示出根据一个实施例的针对用户操作的风险评估装置结构图。可以理解，风险评估装置可以实现为任何具有计算、处理能力的装置、设备或设备集群。如图6所示，所述装置600包括：

要素值预测单元610，配置为响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值；风险预测单元620，配置为基于所述若干预测值，确定所述目标操作对应的风险预测结果；真实值获取单元630，配置为响应于所述用户做出所述目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值；风险结果确定单元640，配置为在所述若干预测值与所述若干真实值相匹配的情况下，将所述风险预测结果，确定为所述目标操作对应的最终风险结果。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图3或图4所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图3或图4所描述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (17)

1.一种针对支付操作的风险评估方法，包括：

响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；

基于所述若干预测值，确定所述支付操作对应的风险预测结果；

响应于针对所述第一订单的支付操作，获取该支付操作对应所述若干支付要素的若干真实值；

在所述若干预测值与若干真实值相匹配的情况下，将所述风险预测结果，确定为所述支付操作对应的最终风险结果。

2.根据权利要求1所述的方法，其中，所述若干支付操作要素中包括支付位置；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：

响应于所述提交操作，获取所述用户的当前位置；

基于所述当前位置，确定所述用户在预设时间窗口内的预测位置范围。

3.根据权利要求1所述的方法，其中，所述若干支付操作要素中包括支付渠道；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：

响应于所述提交操作，获取所述用户当前的场所信息和所述用户的支付渠道偏好信息；

将所述场所信息、支付渠道偏好信息和所述第一订单的订单金额输入预先训练的渠道预测模型，得到预测支付渠道。

4.根据权利要求1所述的方法，其中，所述若干支付操作要素中包括核身方式；其中，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值，包括：

响应于所述提交操作，获取核身特征，该核身特征包括以下中的至少一项：当前可用的核身方式列表、所述用户的当前环境信息，以及所述用户的历史核身信息；

将所述核身特征输入预先训练的核身方式预测模型中，得到预测核身方式。

5.根据权利要求1所述的方法，其中，基于该若干预测值，确定所述支付操作的风险预测结果，包括：

将所述若干预测值和所述用户的画像特征，输入预先训练的支付风险评估模型中，得到所述风险预测结果。

6.根据权利要求1所述的方法，其中，基于该若干预测值，确定所述支付操作的风险预测结果，包括：

针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数；

基于所述若干支付操作要素对应的多个风险预测分数，确定所述风险预测结果。

7.根据权利要求6所述的方法，其中，所述若干支付操作要素中包括支付位置，其对应的预测值为预测位置范围；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括：

获取所述用户的多个历史支付位置；

在所述预测位置范围包含任一历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第一预设分值；

在所述预测位置范围不包含历史支付位置的情况下，将所述支付位置对应的风险预测分数确定为第二预设分值。

8.根据权利要求6所述的方法，其中，所述若干支付操作要素中包括支付渠道，其对应的预测值为预测支付渠道；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括：

将所述预测支付渠道和所述第一订单的订单信息输入预先训练的渠道风险评估模型中，得到所述支付渠道对应的风险预测分数。

9.根据权利要求6所述的方法，其中，所述若干支付操作要素中包括核身方式，其对应的预测值为预测核身方式；其中，针对所述若干支付操作要素中的任一要素，基于该要素对应的预测值，确定该要素对应的风险预测分数，包括：

将所述第一订单的订单信息和所述预测核身方式输入预先训练的核身风险评估模型中，得到对应核身方式的风险预测分数。

10.根据权利要求1所述的方法，其中，所述提交操作基于服务平台而做出；在响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值之前，所述方法还包括：

响应于用户基于所述服务平台做出的特定操作，获取该特定操作的操作特征；

将该操作特征输入针对所述特定操作预先训练的风险评估模型中，得到所述特定操作对应的风险预测分数；

其中，基于所述若干预测值，确定所述支付操作对应的风险预测结果，包括：

基于所述若干预测值，确定第一风险评分；

基于所述特定操作对应的风险预测分数和所述第一风险评分，确定所述风险预测结果。

11.根据权利要求1所述的方法，其中，所述提交操作基于服务平台而做出；所述方法还包括：

响应于所述提交操作，获取在所述提交操作之前的预设时间窗口内所述用户在所述服务平台中的浏览操作数据；

将所述用户的画像特征和所述浏览操作数据输入预先训练的浏览风险评估模型中，得到浏览操作风险分数；

其中，基于所述若干预测值，确定所述支付操作对应的风险预测结果，包括：

基于所述若干预测值，确定第一风险评分；

基于所述浏览操作风险分数和第一风险评分，确定所述风险预测结果。

12.根据权利要求11所述的方法，其中，在响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值之前，所述方法还包括：

响应于用户基于所述服务平台做出的登录操作，获取该登录操作的操作特征；

将该登录特征输入预先训练的登录风险评估模型中，得到登录操作风险分数；

其中，基于所述浏览操作风险分数和所述第一风险评分，确定所述风险预测结果，包括：

对所述浏览操作分数和登录操作分数进行加权求和，得到第二风险评分；

基于所述第一风险评分和第二风险评分，确定所述风险预测结果。

13.一种针对用户操作的风险评估方法，包括：

响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值；

基于所述若干预测值，确定所述目标操作对应的风险预测结果；

响应于所述用户做出所述目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值；

在所述若干预测值与所述若干真实值相匹配的情况下，将所述风险预测结果，确定为所述目标操作对应的最终风险结果。

14.一种针对支付操作的风险评估装置，包括：

要素值预测单元，配置为响应于用户针对第一订单的提交操作，预测针对该第一订单的支付操作对应若干支付操作要素的若干预测值；

风险预测单元，配置为基于所述若干预测值，确定所述支付操作对应的风险预测结果；

真实值获取单元，配置为响应于针对所述第一订单的支付操作，获取该支付操作对应所述若干支付要素的若干真实值；

风险结果确定单元，配置为在所述若干预测值与若干真实值相匹配的情况下，将所述风险预测结果，确定为所述支付操作对应的最终风险结果。

15.一种针对用户操作的风险评估装置，包括：

要素值预测单元，配置为响应于用户基于服务平台做出第一特定操作，预测所述用户基于该服务平台做出的目标操作对应若干目标操作要素的若干预测值；

风险预测单元，配置为基于所述若干预测值，确定所述目标操作对应的风险预测结果；

真实值获取单元，配置为响应于所述用户做出所述目标操作，获取该目标操作对应所述若干目标操作要素的若干真实值；

风险结果确定单元，配置为在所述若干预测值与所述若干真实值相匹配的情况下，将所述风险预测结果，确定为所述目标操作对应的最终风险结果。

16.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-13中任一项的所述的方法。

17.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-13中任一项所述的方法。

Images