CN113344376A - 商户风险监测方法、装置、计算机设备和存储介质 - Google Patents
商户风险监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113344376A CN113344376A CN202110611689.1A CN202110611689A CN113344376A CN 113344376 A CN113344376 A CN 113344376A CN 202110611689 A CN202110611689 A CN 202110611689A CN 113344376 A CN113344376 A CN 113344376A
- Authority
- CN
- China
- Prior art keywords
- merchant
- risk
- parking
- target
- risk assessment
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000012502 risk assessment Methods 0.000 claims abstract description 155
- 239000013598 vector Substances 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 12
- 238000012550 audit Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000010570 post-docking Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种商户风险监测方法、装置、计算机设备和存储介质。所述方法包括：根据待入驻商户与各风险商户之间的相似度值计算得到入驻前风险评估值，获取各目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；分别对各目标商户的平台记录数据进行特征提取，获得各目标商户对应的入驻后特征向量；使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值；根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值。采用本方法能够对商户风险进行及时监测并获得准确的监测结果。
Description
技术领域
本申请涉及计算机数据处理技术领域，特别是涉及一种商户风险监测方法、装置、计算机设备和存储介质。
背景技术
随着电子商务领域的快速发展，越来越多的交易通过线上互联网进行。此时，对于申请入驻平台(也可称为电商平台)的待入驻商户的资质审核显得尤其重要，因为这与平台的正常运营，风险控制息息相关。
长期以来，商户层面的风控，无论在银行业，科技业还是金融业，均较高程度地依赖人工调查和人工审核分析。这种方式过度依赖人工收集数据以及作出的主观判断，需要花费较多时间且准确度不高。
发明内容
基于此，有必要针对上述技术问题，提供一种准确的、能节省时间的商户风险监测方法、装置、计算机设备和存储介质。
一种商户风险监测方法，所述方法包括：
获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
分别对各所述目标商户的平台记录数据进行特征提取，获得各所述目标商户对应的入驻后特征向量；
使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值；
根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。
在其中一个实施例中，所述方法还包括：
获取申请入驻平台的待入驻商户的基础信息数据；
对所述基础信息数据进行特征提取，获得所述待入驻商户的入驻前特征向量；
将所述待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到所述待入驻商户与各所述风险商户之间的相似度值；
根据所述待入驻商户与各所述风险商户之间的相似度值计算得到所述待入驻商户的入驻前风险评估值；
在所述待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将所述待入驻商户确定为目标商户。
在其中一个实施例中，所述方法还包括：
在所述待入驻商户的入驻前风险评估值大于所述第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端发送用于提示进一步评估该待入驻商户的风险的审核提示信息；
在所述待入驻商户的入驻前风险评估值大于所述第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
在其中一个实施例中，其特征在于，
所述基础信息数据包括所述待入驻商户的注册记录信息和外部转账信息；
所述平台记录数据包括所述目标商户在所述入驻后缓冲期内的商家经营画像、交易流水数据和订单记录数据。
在其中一个实施例中，各所述风险商户隶属于与之对应的集群，所述根据所述多个相似度值计算得到所述待入驻商户的入驻前风险评估值，包括：
根据以下公式计算得到所述待入驻商户的入驻前风险评估值：
其中，RM_C_k表示所述待入驻商户的入驻前风险评估值，k表示集群的个数；SM,i, 1SM,i,2......SM,i,n_i表示所述待入驻商户的入驻前特征向量与第i个集群内的n_i个风险商户对应的特征向量进行相似度匹配计算后得到的n_i个相似度值之间的乘积，n_i表示隶属于第i个集群的风险商户的总个数。
在其中一个实施例中，所述异常检测模型为孤立森林模型，所述使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值，包括：
将所述特征矩阵输入所述孤立森林模型，输出各所述目标商户对应的异常分数值，对各所述目标商户的异常分数值进行数值变换，获得各所述目标商户的入驻后风险评估值，各所述入驻后风险评估值的取值范围为不小于0且不大于1。
在其中一个实施例中，所述根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值，包括：
对各所述目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各所述目标商户对应的综合风险值。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
分别对各所述目标商户的平台记录数据进行特征提取，获得各所述目标商户对应的入驻后特征向量；
使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值；
根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
分别对各所述目标商户的平台记录数据进行特征提取，获得各所述目标商户对应的入驻后特征向量；
使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值；
根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。
上述商户风险监测方法、装置、计算机设备和存储介质，通过对目标商户在入驻后缓冲期期间的平台记录数据进行特征提取、特征矩阵构建、异常检测等系列步骤，获得入驻后风险评估值，结合入驻前风险评估值，可以在入驻后缓冲期结束时确定目标商户的综合风险值，能对商户风险进行及时监测并获得准确的监测结果。
附图说明
图1为一个实施例中商户风险监测方法的应用环境图；
图2为一个实施例中商户风险监测方法的流程示意图；
图3为一个实施例中涉及入驻前风险评估值大小判断步骤的流程示意图；
图4为一个实施例中商户风险监测方法装置的结构框图；
图5为一个实施例中涉及入驻前风险评估值计算模块的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的商户风险监测方法，可以应用于如图1所示的应用环境中。其中，服务器101可以与终端102通过网络进行通信，例如，服务器101在计算出目标商户对应的综合风险值后，可以将综合风险值发送给终端102，以供终端102显示，此时平台的审核人员可以通过终端102显示的综合风险值，了解目标商户的风险情况。其中，服务器101可以用独立的服务器或者是多个服务器组成的服务器集群来实现，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种商户风险监测方法，以该方法应用于图1中的服务器101为例进行说明，包括以下步骤：
步骤S201，获取多个目标商户各自对应的入驻前风险评估值和各目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
步骤S202，分别对各目标商户的平台记录数据进行特征提取，获得各目标商户对应的入驻后特征向量；
步骤S203，使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值；
步骤S204，根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值。
当一个商户未入驻平台时，该商户可被称为待入驻商户，当该商户的入驻平台申请得到批准后，该商户可被称为目标商户。上述步骤中，目标商户在入驻平台后，需要经历一个入驻后缓冲期，在一些更具体的情况下，若入驻后缓冲期结束后，这些目标商户的综合风险值处于合理范围，则目标商户被允许继续维持入驻状态。
需要注意的是，步骤S201中，在获取具体目标商户的入驻前风险评估值和平台记录数据这两种不同类型的数据时，可以先获取一种类型的数据再获取另一种类型的数据，也可以对这两种不同类型的数据进行同时获取。
目标商户的入驻前风险评估值可以根据待入驻商户在未入驻平台时的相关数据来确定。后文会对具体的获取方式有所描述。
目标商户的平台记录数据，至少包括了目标商户在入驻平台后，通过平台进行商业活动而产生的数据，例如包括订单信息或交易流水信息等。但是，在一些具体情况下，平台记录数据还可以包括其他的数据，这些数据可以是在待入驻商户在未入驻平台时就形成的，例如目标商户对应的企业的注册地。
关于入驻后缓冲期。它指的是一个时间段，该时间段对应的时长可以根据实际需求进行设置，例如时长可以是十天、半个月或一个月等。入驻后缓冲期可以从待入驻商户向平台提交的入驻平台申请得到批准的时间点开始起算，也可以以入驻后的某个时间点开始起算(例如目标商户在入驻平台后产生第一笔交易时开始起算)，在此不作特别限制。设置入驻后缓冲期的意义在于，有利于在目标商户入驻平台后，及时地进行风险监测，并且搜集与该阶段对应的相关数据，结合待入驻商户在入驻平台之前的数据，有利于更准确地获得监测结果(例如综合风险值)。
关于特征提取。由于需要对各个目标商户的风险进行监测，因此在此之前，需要对各个目标商户的平台记录数据进行处理，具体的方式就是特征提取。对每一个目标商户的平台记录数据进行特征提取之后，能够获得与每一个目标商户相对应的入驻后特征向量。特征提取可以采用现有的特征工程算法，在此不作过多限制。
关于异常检测模型。异常检测模型一般可采用无监督学习模型，例如IsolationForest(孤立森林模型)、KNN(K Nearest Neighbors，最邻近规则分类模型)或LOF(LocalOutlier Factor,局部异常因子模型)等。异常检测处理的目的，主要是鉴别出与正常样本不一致的数据，从而确定出具有异常行为/性质的目标商户。对于在某个时间段入驻平台的多个目标商户，获得每个目标商户的入驻后特征向量并构建出特征矩阵，对特征矩阵进行异常检测处理，可以得到每个目标商户的异常分数值，异常分数值大小能反映出目标商户在入驻后缓冲期的行为的风险大小。一些情况下，可以直接将异常分数值作为入驻后风险评估值；在另一些情况下，也可以对异常分数值进行变换，得到与异常分数值具有映射关系的入驻后风险评估值。
步骤S204中的综合风险值，是体现目标商户在结束入驻后缓冲期的综合风险的一个数据。一般可以将入驻前风险评估值和入驻后风险评估值分别加权后然后进行相加，将相加所得数值作为综合风险值。但是也不排除可以采用其他的计算方式得到综合风险值，此时需要使入驻前风险评估值与综合风险值具有相关关系，入驻后风险评估值与综合风险值同时也具有相关关系，前述的相关关系可以是正相关关系，进一步地，可以是正比关系。
上述商户风险监测方法，通过对目标商户在入驻后缓冲期期间的平台记录数据进行特征提取、特征矩阵构建、异常检测等系列步骤，获得入驻后风险评估值，结合入驻前风险评估值，可以在入驻后缓冲期结束时确定目标商户的综合风险值。利用入驻后缓冲期这一时段产生的数据进行风险监测，能及时获得商户在入驻平台后的风险结果，将入驻后风险评估值和入驻前风险评估值进行处理，既考虑到商户在入驻平台前的性质或行为所体现出来的风险，也考虑到商户在入驻平台后的性质或行为所体现出来的风险，由此得到的综合风险值能从更全面的角度反映出目标商户的综合风险大小，有利于提高商户风险监测结果的准确度。需要注意的是，本文提及的风险监测结果，或者监测结果，主要是指根据商户风险监测方法直接或间接得到的用于描述商户(含目标商户)的风险大小的数据，直接得到的数据可以是综合风险值、入驻前风险评估值，也可以是入驻后风险评估值；间接得到的数据，是可以基于直接得到的数据再进行映射处理而得到的数据，例如可以将直接得到的数据进行映射处理，得到对应的风险等级，此时风险等级也可以被视为监测结果。
在一些实施例中，如图3所示，商户风险监测方法还包括：
步骤S301，获取申请入驻平台的待入驻商户的基础信息数据；
步骤S302，对基础信息数据进行特征提取，获得待入驻商户的入驻前特征向量；
步骤S303，将待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到待入驻商户与各风险商户之间的相似度值；
步骤S304，根据待入驻商户与各风险商户之间的相似度值计算得到待入驻商户的入驻前风险评估值；
步骤S305，在待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将该待入驻商户确定为目标商户。
对于服务器101，会存在持续不断地接收到入驻平台申请的情况。此时，可以通过执行步骤S301-S305，将入驻前风险评估值不大于第一风险评估阈值时，该入驻前风险评估值对应的待入驻商户作为目标商户，通过执行步骤S201-S204，在该目标商户结束入驻后缓冲期再进行一次风险评估，获得综合风险值。这样既可以确保入驻平台的商户具有较低的风险，也可以对入驻平台的商户开展进一步的风险监测。
步骤S302中的特征提取，可以采用前文提及的现有的特征工程算法，在此不作过多限制。
步骤S303中的风险商户，主要是指现有掌握的嫌疑或异常商户样本，对于风险商户，也可以采用特征提取的方式，获得与风险商户对应的特征向量。当风险商户数量较大时，可以对风险商户进行标记，将具有相同标记的风险商户视为一个集群，这些标记可以与经营异常、黄赌毒、刷单或套现等行为/性质具有对应关系。将待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，主要可以包括以下两种方式：
(1)将入驻前特征向量与一个集群内的风险商户的特征向量进行相似度的计算，得到与该集群对应的相似度数值；依据此方式，可以得到入驻前特征向量与多个集群对应的相似度数值，一般来说，有多少个集群，就可以得到多少个相似度数值；在此基础上，再将多个相似度数值进行平均处理，最终得到一个平均数值，这个平均数值可以被视为待入驻商户与各风险商户之间的相似度值；
(2)不按集群的方式来计算，直接将入驻前特征向量与所有风险商户的特征向量进行统一的相似度计算，直接得到待入驻商户与各风险商户之间的相似度值。
步骤S305中，将待入驻商户确定为目标商户，既可以是通过服务器101自动执行，也可以是服务器101根据终端102发来的、平台审核人员输入的指令来触发。具体可以是将该入驻商户从入驻审批的名单中，添加到审批通过的名单中。或者将该待入驻商户的申请入驻的标记，改为与入驻平台相对应的标记。
在一些实施例中，如图3所示，商户风险监测方法还包括：
步骤S306，在待入驻商户的入驻前风险评估值大于第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端102发送用于提示进一步评估该待入驻商户的风险的审核提示信息；
步骤S307，在待入驻商户的入驻前风险评估值大于第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
图3中的第一风险评估阈值和第二风险评估阈值，可以根据实际需要进行设计，在此不作特别限制。审核提示信息的作用，主要是通知平台审核人员对待入驻商户的风险进行评估，进一步地，终端102可以检测平台审核人员的反馈指令，将反馈指令发送给服务器101，若反馈指令是用于指示服务器101将该待入驻商户确定为目标商户的，则服务器101执行将该待入驻商户确定为目标商户的处理步骤；若反馈指令是用于指示服务器101对该待入驻商户的入驻平台申请进行拦截处理的，则服务器101执行拦截处理的步骤。这样，有利于对待入驻商户的风险作出更准确的判断。
待入驻商户的入驻前风险评估值大于第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理，则表示待入驻商户的风险较大，此时不需要平台审核人员进行审核，服务器101可以自行进行拦截处理。拦截处理是指对入驻平台申请进行不批准入驻的处理，使得该待入驻商户至少在一段时间内无法入驻平台。针对拦截处理，服务器101可以生成第一拦截提示信息并发送给终端102，以供平台审核人员知悉该事件。
在一些实施例中，基础信息数据包括待入驻商户的注册记录信息和外部转账信息；平台记录数据包括目标商户在入驻后缓冲期内的商家经营画像、交易流水数据和订单记录数据。
一般来说，由于在待入驻商户入驻平台前，可获取数据的维度有限，此时基础信息数据可以包括待入驻商户的注册记录信息、归属地区信息或法人资质信息。进一步地，注册记录信息包括但不仅限于注册邮箱信息、注册电话信息和注册时间信息。基础信息数据还可以包括外部转账信息，外部转账信息包括但不仅限于转账频次信息、实控人转账信息和转账银行信息。而平台记录数据则不同，它的主要来源是平台对应的服务器所记录的目标商户的商业行为数据，例如客户交易、转账信息和存取款信息等。需要说明的是，平台记录数据除了包括入驻后缓冲期内产生或形成的数据外，还可以进一步包括入驻平台前所产生或形成的数据。在一些具体情况下，商家经营画像包括但不仅限于客户类型(如对公类型、对私类型)数据、注册资金数据、反映目标商户账户是否存在注册手机归属地和注册账户归属地不符的情况的数据以及反映目标商户注册地区是否来源于高风险地区的数据。交易流水数据可以是交易流水切片信息，主要涉及目标商户在入驻后缓冲期内的资金流向和流水时间切片信息，例如入驻平台半个月内每个时间点关联账户的余额信息；交易流水切片信息，也可以包括用于表示出现资金大量进出和账户余额的突然变动、异常交易时间订单过多、相似金额订单转账过多、跨境跨省转账量过大或对公账户频繁提现/转账等情况的信息。订单记录数据主要包括目标商户入驻平台后的线上/线下订单记录信息，主要侧重于交易的画像信息，包括但不仅限于交易频次信息、机器指纹信息、订单金额信息和买家资质记录信息。
在一些实施例中，当风险商户对应的集群数量为k个时，可以用Ci[mi,1,......,mi,n_i]来表示第i个集群中的所有风险商户的集合，1≤i≤k。其中mi,1表示第i个集群中的第一位风险商户，同理，mi,n_i表示第i个集群中的第n_i位风险商户，n_i表示该集群中的风险商户数量。此时，对于某个待入驻商户(用M表示)，可以对其基础信息数据进行特征提取，获得d维的入驻前特征向量(用fM表示)，
对于某一位风险商户(用mi,n_i表示)，可以对该风险商户的基础信息数据进行特征提取，获得d维的该风险商户对应的特征向量，用
表示，
为了更便于理解，以集群数量为2，其中一个集群的风险商户数量为2，另一个集群的风险商户数量为3时的情况进行说明。此时k为2，对于第一个集群，i取值1，n_i＝n_1＝2，第一个集群的风险商户的集合是C1[m1,1,m1,2]，m1,1表示第一个集群中的第一位风险商户，m1,2表示第一个集群中的第二位风险商户。而对于第二个集群，i取值2，n_i＝n_2＝3，第二个集群的风险商户的集合是C2[m2,1,m2,2,m2,3]，m2,1表示第二个集群中的第一位风险商户，m2,2表示第二个集群中的第二位风险商户，m2,3表示第二个集群中的第三位风险商户。假设d＝6，则对于m1,1(第一个集群中的第一位风险商户)，其对应的特征向量为
其他风险商户对应的特征向量也可以按照类似原理进行表示，不再赘述。
将某个待入驻商户(用M表示)的入驻前特征向量与某一位风险商户(用mi,n_i表示)的特征向量进行相似度匹配计算，可以指计算它们的余弦相似度值。余弦相似度值的计算公式可参见公式(1)。
公式(1)中，a和b分别表示待计算余弦相似度值的两个数据，具体地，可以分别表示入驻前特征向量与风险商户的特征向量。Consine similarity(|a·b|)表示入驻前特征向量与风险商户的特征向量的余弦相似度值。
如此，对于某个集群Ci[mi,1,......,mi,n_i]，某一待入驻商户的入驻前特征向量fM与该集群内风险商户的特征向量的相似度值可以表示为(SM,i,1,......,SM,i,n_1),其中，SM,i,1表示fM与该集群内第一个风险商户的特征向量进行相似度匹配计算后得到的相似度值(例如余弦相似度值)，同理，SM,i,1则表示fM与该集群内第n_i个风险商户的特征向量进行相似度匹配计算后得到的相似度值。
在一些实施例中，各风险商户隶属于与之对应的集群，步骤S304包括根据公式(2)计算得到待入驻商户的入驻前风险评估值：
其中，RM_C_k表示待入驻商户的入驻前风险评估值，也是待入驻商户的入驻前特征向量与k个集群的风险商户对应的特征向量的综合相似度值；k表示集群的个数；SM,i, 1SM,i,2......SM,i,n_i表示待入驻商户的入驻前特征向量与第i个集群内的n_i个风险商户对应的特征向量进行相似度匹配计算后得到的n_i个相似度值之间的乘积，n_i表示隶属于第i个集群的风险商户的总个数。
为了便于理解，在此提供一示例。该示例中，k＝2。假设i＝1时，n_i＝n_1＝2；假设i＝2时，n_i＝n_2＝3。
则有
由此可见，
表示fM与该集群内风险商户的特征向量的多个相似度值的几何平均相似度值，进一步地，RM_C_k则表示对多个几何平均相似度值采取算术平均计算后得到的综合相似度值。
在一些实施例中，RM_C_k可以被视为入驻前风险评估值，其取值范围在0到1之间，其数值越大，则表示待入驻商户的风险越高。
在一些实施例中，异常检测模型为孤立森林模型，步骤S203包括：将特征矩阵输入孤立森林模型，输出各目标商户对应的异常分数值，对各目标商户的异常分数值进行数值变换，获得各目标商户的入驻后风险评估值，各入驻后风险评估值的取值范围为不小于0且不大于1。
具体地，可以采用现有的孤立森林模型，例如采用python中的Isolation Forest函数作为孤立森林模型对应的函数，此时将特征矩阵代入该函数，将得到取值范围在-1到1的异常分数值。
对目标商户的异常分数值进行数值变换的目的，是为了使入驻后风险评估值的取值范围与入驻前风险评估值的取值范围相对应，这两个取值范围都分别在0到1之间，便于后续的综合风险值的计算。
假设一批待入驻商户中，有n个商户被批准入驻，即此时有n个目标商户，这些目标商户可以用M1,M2,......,Mn来表示，其中M1表示第一个目标商户，依此类推，Mn表示第n个目标商户。分别对这些目标商户的平台记录数据进行特征提取，可以得到n个目标商户的入驻后特征向量，假设每个入驻后特征向量的维度均为p，对n个目标商户的入驻后特征向量构建矩阵，可以得到特征矩阵(用X表示)，
X的元素xnp表示第n个目标商户(即Mn)的第p个特征值。
将X输入异常检测模型，可以输出n个目标商户的异常分数值，对于某一个目标商户(用Mj表示，1≤j≤n)，其异常分数值为tj，由于-1≤tj≤1，所以可以根据公式(3)进行数值变换。
Pj表示与Mj对应的入驻后风险评估值，其取值范围是0到1之间。
在一些实施例中，步骤S204包括：对各目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各目标商户对应的综合风险值。更具体地，在一些情况下，Mj对应的综合风险值用RiskScore_Mj表示，其可以根据公式(4)计算得到。
RiskScore_Mj＝α·RM_C_k+(1-α)·Pj (4)
α表示RM_C_k对应的权值，此时RM_C_k表示Mj对应的入驻前风险评估值，(1-α)表示Pj对应的权值。
在一些实施例中，对于某一个目标商户，其对应的综合风险值大于预设综合风险阈值时，服务器101向终端102发送第二拦截信息(第二拦截信息用于提示目标商户的风险较高)，并对该目标商户进行入驻平台后的拦截处理，例如将该目标商户对应的网店或商品进行拦截下架处理。若综合风险值不大于预设综合风险阈值，则可以在经过指定时长后，再次更新平台记录数据，再次计算该目标商户的综合风险值，当更新后的综合风险值大于预设综合风险阈值，服务器101则对该目标商户进行入驻平台后的拦截处理。
应该理解的是，虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种商户风险监测装置400，包括：
数据获取模块401，用于获取多个目标商户各自对应的入驻前风险评估值和各目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
特征提取模块402，用于分别对各目标商户的平台记录数据进行特征提取，获得各目标商户对应的入驻后特征向量；
异常检测模块403，用于使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值；
风险计算模块404，用于根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值。
在一个实施例中，如图5所示，商户风险监测装置400还包括：
基础信息数据获取模块501，用于获取申请入驻平台的待入驻商户的基础信息数据；
入驻前特征向量获取模块502，用于对基础信息数据进行特征提取，获得待入驻商户的入驻前特征向量；
相似度匹配计算模块503，用于将待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到待入驻商户与各风险商户之间的相似度值；
入驻前风险评估值计算模块504，用于根据待入驻商户与各风险商户之间的相似度值计算得到待入驻商户的入驻前风险评估值；
目标商户确定模块505，用于在待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将待入驻商户确定为目标商户。
在一个实施例中，如图5所示，商户风险监测装置400还包括：
审核提示信息发送模块506，用于在待入驻商户的入驻前风险评估值大于第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端发送用于提示进一步评估该待入驻商户的风险的审核提示信息；
拦截处理模块507，用于在待入驻商户的入驻前风险评估值大于第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
在一个实施例中，入驻前风险评估值计算模块根据公式(2)计算得到待入驻商户的入驻前风险评估值。
在一个实施例中，异常检测模型为孤立森林模型，异常检测模块403将特征矩阵输入孤立森林模型，输出各目标商户对应的异常分数值，对各目标商户的异常分数值进行数值变换，获得各目标商户的入驻后风险评估值，各入驻后风险评估值的取值范围为不小于0且不大于1。
在一个实施例中，风险计算模块404对各目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各目标商户对应的综合风险值。
关商户风险监测装置的具体限定可以参见上文中对于商户风险监测方法的限定，在此不再赘述。上述商户风险监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商户风险监测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取多个目标商户各自对应的入驻前风险评估值和各目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；分别对各目标商户的平台记录数据进行特征提取，获得各目标商户对应的入驻后特征向量；使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值；根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取申请入驻平台的待入驻商户的基础信息数据；对基础信息数据进行特征提取，获得待入驻商户的入驻前特征向量；将待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到待入驻商户与各风险商户之间的相似度值；根据待入驻商户与各风险商户之间的相似度值计算得到待入驻商户的入驻前风险评估值；在待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将待入驻商户确定为目标商户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在待入驻商户的入驻前风险评估值大于第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端发送用于提示进一步评估该待入驻商户的风险的审核提示信息；在待入驻商户的入驻前风险评估值大于第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
在一个实施例中，各风险商户隶属于与之对应的集群，处理器执行计算机程序时实现的根据多个相似度值计算得到待入驻商户的入驻前风险评估值的步骤，包括根据公式(2)计算得到待入驻商户的入驻前风险评估值。
在一个实施例中，异常检测模型为孤立森林模型，处理器执行计算机程序时实现的使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值的步骤，包括：将特征矩阵输入孤立森林模型，输出各目标商户对应的异常分数值，对各目标商户的异常分数值进行数值变换，获得各目标商户的入驻后风险评估值，各入驻后风险评估值的取值范围为不小于0且不大于1。
在一个实施例中，处理器执行计算机程序时实现的根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值的步骤，包括：对各目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各目标商户对应的综合风险值。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取多个目标商户各自对应的入驻前风险评估值和各目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；分别对各目标商户的平台记录数据进行特征提取，获得各目标商户对应的入驻后特征向量；使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值；根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取申请入驻平台的待入驻商户的基础信息数据；对基础信息数据进行特征提取，获得待入驻商户的入驻前特征向量；将待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到待入驻商户与各风险商户之间的相似度值；根据待入驻商户与各风险商户之间的相似度值计算得到待入驻商户的入驻前风险评估值；在待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将待入驻商户确定为目标商户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在待入驻商户的入驻前风险评估值大于第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端发送用于提示进一步评估该待入驻商户的风险的审核提示信息；在待入驻商户的入驻前风险评估值大于第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
在一个实施例中，各风险商户隶属于与之对应的集群，计算机程序被处理器执行时实现的根据多个相似度值计算得到待入驻商户的入驻前风险评估值的步骤，包括根据公式(2)计算得到待入驻商户的入驻前风险评估值。
在一个实施例中，异常检测模型为孤立森林模型，计算机程序被处理器执行时实现的使用异常检测模型对由多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各目标商户对应的入驻后风险评估值的步骤，包括：将特征矩阵输入孤立森林模型，输出各目标商户对应的异常分数值，对各目标商户的异常分数值进行数值变换，获得各目标商户的入驻后风险评估值，各入驻后风险评估值的取值范围为不小于0且不大于1。
在一个实施例中，计算机程序被处理器执行时实现的根据各目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各目标商户对应的综合风险值的步骤，包括：对各目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各目标商户对应的综合风险值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，前述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synch l i nk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种商户风险监测方法，其特征在于，所述方法包括：
获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
分别对各所述目标商户的平台记录数据进行特征提取，获得各所述目标商户对应的入驻后特征向量；
使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值；
根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取申请入驻平台的待入驻商户的基础信息数据；
对所述基础信息数据进行特征提取，获得所述待入驻商户的入驻前特征向量；
将所述待入驻商户的入驻前特征向量与多个风险商户中的每个风险商户对应的特征向量进行相似度匹配计算，得到所述待入驻商户与各所述风险商户之间的相似度值；
根据所述待入驻商户与各所述风险商户之间的相似度值计算得到所述待入驻商户的入驻前风险评估值；
在所述待入驻商户的入驻前风险评估值不大于预设的第一风险评估阈值时，将所述待入驻商户确定为目标商户。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述待入驻商户的入驻前风险评估值大于所述第一风险评估阈值且不大于预设的第二风险评估阈值时，向终端发送用于提示进一步评估该待入驻商户的风险的审核提示信息；
在所述待入驻商户的入驻前风险评估值大于所述第二风险评估阈值时，对该待入驻商户的入驻平台申请进行拦截处理。
4.根据权利要求2所述的方法，其特征在于，
所述基础信息数据包括所述待入驻商户的注册记录信息和外部转账信息；
所述平台记录数据包括所述目标商户在所述入驻后缓冲期内的商家经营画像、交易流水数据和订单记录数据。
5.根据权利要求2所述的方法，其特征在于，各所述风险商户隶属于与之对应的集群，所述根据所述多个相似度值计算得到所述待入驻商户的入驻前风险评估值，包括：
根据以下公式计算得到所述待入驻商户的入驻前风险评估值：
其中，RM_C_k表示所述待入驻商户的入驻前风险评估值，k表示集群的个数；SM,i, 1SM,i,2......SM,i,n_i表示所述待入驻商户的入驻前特征向量与第i个集群内的n_i个风险商户对应的特征向量进行相似度匹配计算后得到的n_i个相似度值之间的乘积，n_i表示隶属于第i个集群的风险商户的总个数。
6.根据权利要求5所述的方法，其特征在于，所述异常检测模型为孤立森林模型，所述使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值，包括：
将所述特征矩阵输入所述孤立森林模型，输出各所述目标商户对应的异常分数值，对各所述目标商户的异常分数值进行数值变换，获得各所述目标商户的入驻后风险评估值，各所述入驻后风险评估值的取值范围为不小于0且不大于1。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值，包括：
对各所述目标商户对应的入驻前风险评估值和入驻后风险评估值分别加权后进行求和，得到与各所述目标商户对应的综合风险值。
8.一种商户风险监测装置，其特征在于，所述装置包括：
数据获取模块，用于获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据；
特征提取模块，用于分别对各所述目标商户的平台记录数据进行特征提取，获得各所述目标商户对应的入驻后特征向量；
异常检测模块，用于使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理，获得各所述目标商户对应的入驻后风险评估值；
风险计算模块，用于根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110611689.1A CN113344376A (zh) | 2021-06-02 | 2021-06-02 | 商户风险监测方法、装置、计算机设备和存储介质 |
| CA3161250A CA3161250A1 (en) | 2021-06-02 | 2022-06-01 | Merchant tenant risk monitoring method, device, computer equipment and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110611689.1A CN113344376A (zh) | 2021-06-02 | 2021-06-02 | 商户风险监测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344376A true CN113344376A (zh) | 2021-09-03 |
Family
ID=77472749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110611689.1A Withdrawn CN113344376A (zh) | 2021-06-02 | 2021-06-02 | 商户风险监测方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113344376A (zh) |
| CA (1) | CA3161250A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091902A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
| CN115713233A (zh) * | 2022-11-15 | 2023-02-24 | 华中科技大学同济医学院附属协和医院 | 基于用户数据存储的数据分析及融合系统 |
| CN117764688A (zh) * | 2024-01-26 | 2024-03-26 | 喀斯玛(北京)科技有限公司 | 一种针对商品画像的智能风控方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876188A (zh) * | 2018-07-05 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种间连服务商风险评估方法及装置 |
| CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
| CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
| CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
| CN110830448A (zh) * | 2019-10-16 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 目标事件的流量异常检测方法、装置、电子设备及介质 |
| CN111641594A (zh) * | 2020-05-09 | 2020-09-08 | 同济大学 | 基于页面行为的欺诈用户检测方法、系统、介质及设备 |
| CN112200402A (zh) * | 2020-08-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种基于风险画像的风险量化方法、装置及设备 |
-
2021
- 2021-06-02 CN CN202110611689.1A patent/CN113344376A/zh not_active Withdrawn
-
2022
- 2022-06-01 CA CA3161250A patent/CA3161250A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876188A (zh) * | 2018-07-05 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种间连服务商风险评估方法及装置 |
| CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
| CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
| CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
| CN110830448A (zh) * | 2019-10-16 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 目标事件的流量异常检测方法、装置、电子设备及介质 |
| CN111641594A (zh) * | 2020-05-09 | 2020-09-08 | 同济大学 | 基于页面行为的欺诈用户检测方法、系统、介质及设备 |
| CN112200402A (zh) * | 2020-08-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种基于风险画像的风险量化方法、装置及设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091902A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
| CN115713233A (zh) * | 2022-11-15 | 2023-02-24 | 华中科技大学同济医学院附属协和医院 | 基于用户数据存储的数据分析及融合系统 |
| CN117764688A (zh) * | 2024-01-26 | 2024-03-26 | 喀斯玛(北京)科技有限公司 | 一种针对商品画像的智能风控方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3161250A1 (en) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN113344376A (zh) | 商户风险监测方法、装置、计算机设备和存储介质 | |
| EP3627759B1 (en) | Method and apparatus for encrypting data, method and apparatus for training machine learning model, and electronic device | |
| EP3416123A1 (en) | System for identification of fraudulent transactions | |
| CN108268785B (zh) | 一种敏感数据识别和脱敏的装置及方法 | |
| CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
| CN111767192B (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
| CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
| US11361254B2 (en) | Computerized-system and method for generating a reduced size superior labeled training dataset for a high-accuracy machine learning classification model for extreme class imbalance of instances | |
| CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
| CN113327655B (zh) | 多维度数据的离群值检测方法、装置、设备和介质 | |
| CN110766547A (zh) | 一种可信度等级的确定方法、装置、设备和存储介质 | |
| Tongesai et al. | Insurance Fraud Detection using Machine Learning | |
| CN114429367A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| CN114418743A (zh) | 账户信息的检测方法、装置、设备、存储介质和程序产品 | |
| US20220027916A1 (en) | Self Learning Machine Learning Pipeline for Enabling Binary Decision Making | |
| CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
| CN114372862A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114708081A (zh) | 信用风险预测方法及装置、电子设备和可读存储介质 | |
| CN115797990A (zh) | 图像分类、图像处理方法、装置和存储介质 | |
| CN111429253A (zh) | 一种金融经济借贷风险评估方法及系统 | |
| CN112116356B (zh) | 资产特征信息处理方法及装置 | |
| CN112967134B (zh) | 网络训练方法、风险用户识别方法、装置、设备及介质 | |
| CN117853227A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| Makatjane et al. | Detecting Bank Financial Fraud in South Africa Using a Logistic Model Tree |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210903 |
|
| WW01 | Invention patent application withdrawn after publication |