CN113516480B - 一种支付风险识别方法、装置及设备 - Google Patents
一种支付风险识别方法、装置及设备 Download PDFInfo
- Publication number
- CN113516480B CN113516480B CN202110953376.4A CN202110953376A CN113516480B CN 113516480 B CN113516480 B CN 113516480B CN 202110953376 A CN202110953376 A CN 202110953376A CN 113516480 B CN113516480 B CN 113516480B
- Authority
- CN
- China
- Prior art keywords
- payment
- predicted
- behavior data
- data
- risk identification
- 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 163
- 238000012545 processing Methods 0.000 claims abstract description 367
- 230000008569 process Effects 0.000 claims abstract description 69
- 230000006399 behavior Effects 0.000 claims description 652
- 239000013598 vector Substances 0.000 claims description 172
- 230000004927 fusion Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 20
- 230000001960 triggered effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 230000003993 interaction Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06Q20/40—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
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书一个或多个实施例提供了一种支付风险识别方法、装置及设备,该方法包括:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于目标用户的历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据;利用预设风险识别模型并基于上述预测支付行为数据,对本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;在本次支付交易事件执行到第二预设处理节点时,获取在本次支付交易事件执行过程中所产生的目标用户的真实支付行为数据;基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定本次支付交易事件对应的目标支付风险识别结果。
Description
技术领域
本文件涉及互联网技术领域,尤其涉及一种支付风险识别方法、装置及设备。
背景技术
目前,随着互联网时代的到来,互联网在人们日常的学习、工作和生活中得到广泛的应用。人们日常的各种事务都可以通过互联网来处理和呈现。同时,非法分子为了谋取私利,常常通过非法手段通过互联网发起欺诈交易等,因此,需要对目标用户所发起的支付交易事件进行风险识别,进而实现对存在风险的支付交易事件进行管控。
当前,主要通过在支付交易事件执行到最后处理节点且至执行之前,基于针对该支付交易事件所产生的真实用户行为数据对支付交易事件进行风险识别,然后基于风险识别结果来决定是否针对用户的最后支付确认操作进行拦截。然而,该支付风险识别虽然可以确保识别准确度,但由于风控识别过程需要一定时间,将导致无法快速响应用户的支付确认触发操作,为此,需要提供一种既能够确保识别准确性又能够确保识别时效性的支付风险识别方案。
发明内容
本说明书一个或多个实施例的目的是提供一种既能够确保识别准确性又能够确保识别时效性的支付风险识别方法。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书一个或多个实施例提供的一种支付风险识别方法,所述方法包括:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据。利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别方法,所述方法包括:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别方法,应用于区块链系统,所述方法包括:接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的。通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点。通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别装置,所述装置包括:支付行为数据预测模块,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据。第一支付风险识别模块,其利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。支付行为数据获取模块,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。第二支付风险识别模块,其基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别装置,所述装置包括:第一支付数据发送模块,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。预测支付数据接收模块,其接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。支付行为数据获取模块,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。第二支付数据发送模块,其将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别装置,所述装置为区块链系统中的装置,所述装置包括:第一支付数据接收模块,其接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的。支付行为数据预测模块,其通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。支付行为数据发送模块,其将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。第二支付数据接收模块,其接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点。支付风险识别模块,其通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据。利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种支付风险识别设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的。通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点。通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据。利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点。将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例提供的一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的。通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据。将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果。接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点。通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的支付风险识别方法的第一种流程示意图;
图2为本说明书一个或多个实施例提供的支付风险识别方法的第二种流程示意图;
图3为本说明书一个或多个实施例提供的支付风险识别方法的第三种流程示意图;
图4为本说明书一个或多个实施例提供的支付风险识别方法中利用深度兴趣网络模型确定预测支付行为数据的具体实现原理示意图;
图5为本说明书一个或多个实施例提供的支付风险识别方法的第四种流程示意图;
图6为本说明书一个或多个实施例提供的支付风险识别方法的第五种流程示意图;
图7为本说明书一个或多个实施例提供的支付风险识别方法的第六种流程示意图;
图8为本说明书一个或多个实施例提供的支付风险识别装置的第一种模块组成示意图;
图9为本说明书一个或多个实施例提供的支付风险识别装置的第二种模块组成示意图;
图10为本说明书一个或多个实施例提供的支付风险识别装置的第三种模块组成示意图;
图11为本说明书一个或多个实施例提供的支付风险识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书一个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
需要说明的是,在不冲突的情况下,本说明书中的一个或多个实施例以及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本说明书一个或多个实施例。
本说明书一个或多个实施例提供了一种支付风险识别方法、装置及设备,通过将支付风险识别过程前置,从而提高了支付风险管控的时效性;并且,在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度,进而提高了基于该支付行为数据进行支付风险管控的准确度。
图1为本说明书一个或多个实施例提供的支付风险识别方法的第一种流程示意图,图1中的方法能够由支付风险识别服务端执行,如图1所示,该方法至少包括以下步骤:
S102,若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于目标用户的历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据;
其中,针对每个支付交易事件所执行的支付处理链路中的多个预设处理节点可以包括:支付处理节点1、支付处理节点2、…支付处理节点i、…支付处理节点n,该多个预设处理节点可以根据实际业务需求而设定,例如,预设处理节点1对应于客户端检测到的点击付款码的操作、扫描收款码的操作、转账触发操作、或者提现触发操作,具体的,服务端响应于客户端针对检测到的用户点击付款码或者扫描收款码所发出的业务请求;支付处理节点2对应于客户端的支付金额输入操作,具体的,服务端响应于客户端针对检测到的用户输入支付金额所发出的业务请求;支付处理节点3对应于客户端的支付渠道选择操作,具体的,服务端响应于客户端针对检测到的用户选择支付渠道所发出的业务请求;支付处理节点i对应于客户端的核身方式选择操作,具体的,服务端响应于客户端针对检测到的用户选择核身方式所发出的业务请求;支付处理节点n对应于客户端的确认支付的触发操作,具体的,服务端响应于客户端针对检测到的用户确认提交支付所发出的业务请求。
具体的,考虑到在利用预设风险识别模型对当前发生的支付交易事件进行风险识别时,需要获取目标用户在本次支付交易事件所产生的支付行为数据,而在支付交易事件未执行完成之前无法获取目标用户的真实支付行为数据,即风控系统在风险识别过程中所依赖的关键行为属性信息的缺失,因此,需要先对目标用户的支付行为数据进行预测,具体的,在当前支付交易事件执行到第一预设处理节点时,利用深度兴趣网络模型得到目标用户的预测支付行为数据,以便将预测得到的支付行为数据作为支付风险识别过程中的模型输入数据,进而利用预设风险识别模型得到预测支付风险识别结果。例如,在当前支付交易事件执行到支付处理节点2时,利用深度兴趣网络模型对用户支付行为数据进行预测,其中,当前支付环境数据可以是基于针对本次支付交易事件已执行的支付处理节点1所产生的本次支付交易数据所确定的,例如,当前支付环境数据包括正扫支付、反扫支付、转账业务或者提现业务。
S104,利用预设风险识别模型并基于上述预测支付行为数据,对本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
其中,上述预设风险识别模型也是预先利用机器学习方法基于第二模型训练样本集进行模型参数迭代训练得到的,可以采用已有的风控系统中部署的风险识别模型,具体的,在利用深度兴趣网络模型对目标用户在本次支付交易事件所产生的支付行为数据进行预测,得到预测支付行为数据后,将该预测支付行为数据作为预设风险识别模型的输入数据,以便利用该预设风险识别模型对本次支付交易事件进行风险识别,即基于预测支付行为数据识别本次交易事件是否存在风险,其中,由于预设风险识别模型在进行支付风险识别过程中所使用的是预测支付行为数据,并非在本次支付事件执行过程中所产生的真实支付行为数据,因此,可以将该预测支付风险识别结果作为备选支付风险识别结果,并且在获取到真实支付行为数据后,直接将预测支付行为数据与真实支付行为数据进行比对,即可确定该预测支付风险识别结果是否能够作为用于指导风险管控的目标支付风险识别结果。
S106,在上述本次支付交易事件执行到支付处理链路中的第二预设处理节点时,获取在第二预设处理节点之前所产生的目标用户的真实支付行为数据;其中,该第二预设处理节点晚于第一预设处理节点;
其中,真实支付行为数据与预测支付行为数据所包含的用户行为属性参数相同,即均取决于支付风险识别过程中所需的模型输入数据所包含的用户行为属性参数,例如,在利用预设风险识别模型进行支付风险识别时所需的模型输入数据包括:支付渠道信息、核身方式信息、支付金额量级中至少一项,对应的,真实支付行为数据包括:目标用户针对本次支付交易事件实际选用的支付渠道、核身方式、以及支付的金额量级中至少一项。
具体的,支付交易事件从首次支付处理节点执行到第一预设处理节点,再执行到第二预设处理节点的过程中,针对每个支付处理节点均会产生相应的真实支付交易数据,即可从该真实支付交易数据中提取所需的真实支付行为数据。
S108,基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定本次支付交易事件对应的目标支付风险识别结果。
具体的,在利用深度兴趣网络模型确定出预测支付行为数据、利用预设风险识别模型得到预测支付风险识别结果、以及获取到目标用户的真实支付行为数据后,即可基于该预测支付行为数据和真实支付行为数据,来确定预测支付风险识别结果的识别准确度是否达到预期,即预测支付行为数据和真实支付行为数据之间的相似程度越高,则说明基于该预测支付行为数据得到的预测支付风险识别结果的准确度比较高,即该预测支付风险识别结果与基于真实支付行为数据得到的支付风险识别结果越接近,因此,能够将该预测支付风险识别结果作为用于风险管控的支付风险识别结果,进而可以直接基于该预测支付风险识别结果快速地进行支付风险管控,省去了在支付交易事件执行即将结束的瞬时再基于真实支付行为数据进行支付风险识别的过程,从而提高了支付风险管控的时效性。
本说明书一个或多个实施例中,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
其中,针对利用深度兴趣网络模型对用户支付行为数据进行预测的过程,上述第一预设处理节点的选择可以根据实际业务需求预先人为设定或者自动确定,第一预设处理节点可以是支付处理节点1,也可以是支付处理节点2,还可以是支付处理节点3,由于在利用深度兴趣网络模型对用户支付行为数据进行预测时,需要考虑当前支付环境数据,因此,可以将第一预设处理节点设置为支付处理节点1,还可以将第一预设处理节点设置为支付处理节点2或者3,这样能够从执行支付处理节点1或者2的过程中所产生的支付交易数据中提取更多的当前支付环境数据;另外,考虑到针对不同类型的订单业务,支付处理链路有所不同,在确保距最后处理节点完成前的预设时间段内能够得到预测支付行为数据并得到预测支付风险识别结果的前提下,可以将第一预设处理节点继续后移,其中,可以基于支付处理链路中各支付处理节点的预估处理时长、行为数据预测时长、支付风险识别时长,从多个支付处理节点中选取第一预设处理节点,这样在执行到第一预设处理节点时,可以从已执行的支付处理节点对应的支付交易数据中提取更多的当前支付环境数据;进而将本次支付交易事件(即当前正在执行的支付交易事件)对应的当前支付环境数据和历史支付交易事件(即历史预设时间段内已经完成的支付交易事件)对应的历史支付交易数据作为预先训练的深度兴趣网络模型的输入数据,利用该深度兴趣网络模型预测在本次支付交易事件的执行过程中即将产生的用户支付行为数据;例如,预测目标用户针对本次支付交易事件选择的支付渠道信息,又如,预测目标用户针对本次支付交易事件选择的核身方式信息,再如,预测针对本次交易事件目标用户所需支付的金额量级。其中,预测支付行为数据所包含的属性参数与支付风险识别所需的支付行为数据的类别有关;例如,在利用预设风险识别模型进行支付风险识别时所需的模型输入数据包括:支付渠道信息、核身方式信息、支付金额量级中至少一项,因此,需要预测目标用户针对本次支付交易事件所选用的支付渠道、核身方式、以及所需支付的金额量级中至少一项。
其中,上述深度兴趣网络模型(Deep Interest Network,DIN)是预先利用机器学习方法基于第一模型训练样本集进行模型参数迭代训练得到的,该第一模型训练样本集包括多个第一训练样本和多个第二训练样本,其中,每个第一训练样本包括:历史支付行为数据与历史支付环境数据之间的第一对应关系,每个第二训练样本包括参考支付环境数据与参考支付行为数据之间的第二对应关系,其中,该的第二对应关系可以是基于已经完成的历史支付交易事件下的历史支付交易数据所确定的;具体的,在模型参数训练过程中,针对每个第二训练样本,将该第二训练样本中的参考支付环境数据对应的特征向量分别与各第一训练样本中的历史支付环境数据对应的特征向量进行交互处理,得到各第一训练样本对应的权重系数,在基于该权重系数对各第一训练样本中的历史支付行为数据进行加权及融合处理,得到相应的融合特征向量,并基于该融合特征向、该第二训练样本中的参考支付环境数据对应的特征向量、以及参考支付行为数据对应的特征向量,对该参考支付行为数据进行打分,得到相应的打分结果,并基于该打分结果与其他可选支付行为数据对应的打分结果对模型参数进行迭代训练,直到初始的深度兴趣网络模型收敛,其中,迭代训练目标为使得参考支付行为数据对应的打分结果高于其他可选支付行为数据对应的打分结果,例如,以预测支付行为数据包括支付渠道信息为例,该参考支付行为数据可以是支付渠道1,该其他可选支付行为数据可以是支付渠道2至m;其中,深度兴趣网络模型的训练过程与利用深度兴趣网络模型进行用户支付行为数据的预测过程类似,具体参照下述针对步骤S102的详细说明,在此不再赘述。
进一步的,考虑到预设支付行为数据可以包括多种用户行为属性参数,因此,深度兴趣网络模型可以包括多个子模型,每个子模型对应于一个用户行为属性参数;也可以针对每个用户行为属性参数,分别训练得到对应的深度兴趣网络模型,例如,训练得到用于预测支付渠道信息的深度兴趣网络模型,以及训练得到用于预测核身方式信息的深度兴趣网络模型,以及训练得到用于预测支付金额量级的深度兴趣网络模型。具体的,在深度兴趣网络模型训练完成后,利用该深度兴趣网络模型,分别预测得到在支付风险识别过程中所需的各用户行为属性参数对应的预测参数值。
其中,上述预测支付行为数据包括:至少一种用户行为属性参数对应的预测参数值;具体的,由于利用深度兴趣网络模型进行用户支付行为数据的预测,主要目的是将该预测支付行为数据作为预设风险识别模型的输入数据,进而对本次支付交易事件进行风险识别,因此,需要先确定在风险识别过程中所需的用户支付行为数据包含哪些用户行为属性参数,进而将该用户行为属性参数作为待预测的用户支付行为数据所包含的用户行为属性参数;
对应的,如图2所示,在上述S102,利用深度兴趣网络模型,基于目标用户的历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据之前,还包括:
S110,基于预设风险识别模型在风险识别过程中所需的模型输入数据的类别信息,确定至少一种用户行为属性参数;其中,上述用户行为属性参数包括:支付渠道信息、核身方式信息、支付金额量级中至少一项;
S112,将上述至少一种用户行为属性参数确定为预测支付行为数据所需包含的至少一种用户行为属性参数。
具体的,在利用深度兴趣网络模型进行支付行为数据预测的过程中,主要是预测上述至少一种用户行为属性参数对应的参数值;例如,若至少一种用户行为属性参数包括:支付渠道信息和核身方式信息,因此,利用深度兴趣网络模型预测得到在本次支付交易事件的执行过程中目标用户所选择的支付渠道和核身方式;又如,若至少一种用户行为属性参数包括:支付渠道信息、核身方式信息和支付金额量级,因此,利用深度兴趣网络模型预测得到在本次支付交易事件的执行过程中目标用户所选择的支付渠道、核身方式、以及所需支付的资金量级。
其中,由于上述预测支付行为数据包括:至少一种用户行为属性参数对应的预测参数值,对应的,上述真实支付行为数据包括:至少一种用户行为属性参数对应的真实参数值,具体的,由于获取真实支付行为数据主要目的是将该真实支付行为数据与上述预测支付行为数据进行比对,进而确定上述预测支付风险识别结果是否能够作为用于指导风险管控的目标支付风险识别结果;基于此,上述S106,获取在第二预设处理节点之前所产生的目标用户的真实支付行为数据,具体包括:
基于在第二预设处理节点之前所产生的目标用户的真实支付交易数据,确定上述至少一种用户行为属性参数对应的真实参数值;
将各用户行为属性参数对应的真实参数值的集合确定为目标用户的真实支付行为数据。
具体的,针对每个用户行为属性参数,在本次支付交易事件执行过程中所产生的真实支付交易数据中,提取该用户行为属性参数对应的真实参数值;例如,若至少一种用户行为属性参数包括:支付渠道信息和核身方式信息,因此,获取在本次支付交易事件的执行过程中目标用户实际选择的支付渠道和核身方式;又如,若至少一种用户行为属性参数包括:支付渠道信息、核身方式信息和支付金额量级,因此,获取在本次支付交易事件的执行过程中目标用户实际选择的支付渠道、核身方式、以及实际支付的资金量级。
其中,考虑到在用户支付行为数据的预测过程中,不仅引入了历史支付交易数据,还考虑了当前支付环境数据,因此,可以将当前支付环境数据与历史支付环境数据进行交互处理,得到相应的权重系数,再基于该权重系数对历史支付行为数据进行加权处理,进而基于加权后的第一特征向量进行用户支付行为的预测,这样能够提高预测支付行为数据的准确度,基于此,上述历史支付交易数据包括:每笔历史支付交易事件下的历史支付行为数据和历史支付环境数据;
对应的,如图3所示,上述S102,利用深度兴趣网络模型,基于目标用户的历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据,具体包括:
S1022,针对每笔历史支付交易事件,确定该历史支付交易事件下的历史支付行为数据对应的第一特征向量和历史支付环境数据对应的第二特征向量;
具体的,先将模型输入数据进行特征向量转换,进而将转换得到的特征向量输入至深度兴趣网络模型中相应的神经网络层,以便利用该神经网络层基于该特征向量进行预设处理。
S1024,将上述当前支付环境数据对应的第三特征向量分别与上述第二特征向量进行交互处理,确定各历史支付交易事件对应的权重系数;其中,该权重系数的数值大小用于表征历史支付环境与当前支付环境之间的相似程度;
具体的,针对每个历史支付交易事件,将当前支付环境数据对应的第三特征向量与该历史支付交易事件对应的第二特征向量进行交互处理,得到该历史支付交易事件对应的权重系数,其中,权重系数越大,说明当前支付环境与该历史支付环境的相似程度越高,因此,后续可以基于该权重系数对该历史支付交易事件下的历史支付行为数据进行加权处理,从而限定各历史支付行为数据在针对当前支付交易事件进行用户行为预测过程中所占的影响权重,其中,当前支付环境与该历史支付环境的相似程度越高,说明在本次支付交易事件中所产生的目标用户的真实用户行为数据与该历史支付行为数据保持一致的可能性越大。
在具体实施时,对第三特征向量与第二特征向量进行向量交互处理可以包括:将第三特征向量与第二特征向量进行点乘处理,或者,采用余弦距离计算方式对第三特征向量和第二特征向量进行相应的求解处理。
S1026,基于各历史支付交易事件对应的权重系数,分别对上述第一特征向量进行加权及融合处理,得到融合特征向量;
具体的,分别将各历史支付交易事件对应的第一特征向量与对应的权重系数相乘,得到加权后的第一特征向量,再对各加权后的第一特征向量进行SUM Pooling处理,得到融合特征向量;
在具体实施时,可以利用公式计算得到融合特征向量;其中,wi表示第i个历史支付交易事件对应的权重系数,Vi表示第i个历史支付交易事件下的历史支付行为数据,Ci表示第i个历史支付交易事件下的历史支付环境数据,Ca表示本次支付交易事件下的当前支付环境数据,g(Ci,a)表示当前支付环境数据与历史支付环境数据进行交互处理。
S1028,基于目标用户的基本属性数据对应的特征向量、上述第三特征向量、上述用户行为属性参数下可选的多个目标参数值对应的特征向量、以及上述融合特征向量,确定目标用户的预测支付行为数据;
具体的,针对每个目标参数值,基于基本属性数据对应的特征向量、第三特征向量、该目标参数值对应的特征向量、以及融合特征向量,确定用户行为属性参数对应的真实参数值为该目标参数值的预估概率,基于各目标参数值对应的预估概率的大小关系,确定用户行为属性参数对应的真实参数值。
其中,目标用户的基本属性数据可以包括目标用户的个人属性、职业、消费水平中至少一项基本属性参数对应的参数值;其中,以用户行为属性参数为支付渠道为例,在该支付渠道下可选的多个目标参数值可以包括:支付应用1、支付应用2、…、银行卡1、银行卡2、…,其中,目标参数值可以是支付渠道下所有可选支付方式选项,也可以是基于历史支付交易数据确定出的目标用户使用频率大于预设使用频率阈值的多种支付方式选项;又如,针对用户行为属性参数为核身方式信息的情况,在该核身方式下可选的多个目标参数值可以包括:核身方式1(如人脸识别核身)、核身方式2(如短信验证核身)、…核身方式n(如指纹验证核身)。
在本说明书一个或多个实施例中,通过将当前支付环境数据对应的特征向量与历史支付环境数据对应的特征向量之间进行交互处理(如采用attention机制),计算得到各历史支付交易事件对应的权重系数,再基于该权重系数对历史支付行为数据对应的特征向量进行加权及融合处理,进而基于融合得到的融合特征向量对目标参数值进行打分,其中,由于该权重系数表征了历史支付环境与当前支付环境之间的相似程度,再利用该权重系数对历史支付行为数据进行加权处理,从而提高在当前支付环境下得到的预测支付行为数据的准确度,另一方面,在当前支付环境数据与某一历史支付交易事件下的历史支付环境数据的相似程度越高,若预测支付行为数据与该历史支付交易事件下的历史支付行为数据越相似,则说明在本次支付交易事件的执行过程中目标用户的支付行为符合其历史支付偏好,该目标用户是可信的。
其中,针对各历史支付交易事件对应的权重系数的确定过程,上述S1024,将上述当前支付环境数据对应的第三特征向量分别与上述第二特征向量进行交互处理,确定各历史支付交易事件对应的权重系数,具体包括:
步骤A1,针对每笔历史支付交易事件,求解当前支付环境数据对应的第三特征向量与该历史支付交易事件对应的第二特征向量之间的外积,得到第四特征向量;
步骤A2,将上述第二特征向量、第三特征向量和第四特征向量进行拼接处理,得到第五特征向量;
具体的,将当前支付环境数据对应的第三特征向量、历史支付环境数据对应的第二特征向量、以及当前环境与历史环境外积得到的第四特征向量进行组合拼接,得到第五特征向量,其中,第五特征向量的维度与第三特征向量、第二特征向量、第四特征向量的维度之和有关;
步骤A3,将上述第五特征向量依次输入至激活层和线性层,得到上述历史支付交易事件对应的权重系数。
类似的,采用上述步骤A1至A3,依次得到各历史支付交易事件对应的权重系数,从而得到历史支付交易事件1至n分别对应的权重系数1至n。
其中,针对基于对各历史支付行为数据进行加权处理得到的融合特征向量确定预测支付行为数据的过程,上述S1028,基于目标用户的基本属性数据对应的特征向量、上述第三特征向量、上述用户行为属性参数下可选的多个目标参数值对应的特征向量、以及上述融合特征向量,确定目标用户的预测支付行为数据,具体包括:
步骤B1,针对上述用户行为属性参数下可选的每个目标参数值,基于目标用户的基本属性数据对应的特征向量、上述第三特征向量、上述目标参数值对应的特征向量、以及上述融合特征向量,确定该目标参数值对应的拼接特征向量;
具体的,将基本属性数据对应的特征向量A、融合特征向量、当前支付环境数据对应的第三特征向量、以及当前选取的目标参数值对应的特征向量B进行组合拼接,得到拼接特征向量,其中,拼接特征向量的维度与特征向量A、融合特征向量、第三特征向量、特征向量B的维度之和有关;
步骤B2,基于上述拼接特征向量,确定上述用户行为属性参数的真实参数值为该目标参数值的预估概率;
其中,上述预估概率用于表征在本次支付交易事件的执行过程中目标用户实际使用该目标参数值的概率,即预估概率越大,说明在本次支付交易事件的执行过程中目标用户实际使用该目标参数值的可能性越大,例如,用户行为属性参数为支付渠道信息,目标参数值为支付应用1,针对该支付应用1所确定出的预估概率值越大,说明在本次支付交易事件的执行过程中目标用户实际使用支付应用1进行支付的可能性越大。
在具体实施时,也可以以打分的形式,对目标用户选择各目标参数值作为真实参数值的可能性进行打分,即针对每个目标参数值,基于上述拼接特征向量,得到相应的打分结果,其中,分值越大,对应的预估概率越大。
具体的,采用上述步骤B1至B2,分别确定在某一用户行为属性参数下的每个目标参数值对应的预估概率;
步骤B3,将概率值最大的预估概率对应的目标参数值,确定为上述用户行为属性参数对应的预测参数值。
具体的,针对用户行为属性参数为支付渠道信息的情况,若目标参数值包括支付应用1、支付应用2、…、银行卡1、银行卡2、…,且针对该支付应用1所确定出的预估概率值越大,则将支付应用1对应的支付渠道编码确定为支付渠道对应的预测参数值。
在一个具体的实施例中,以支付渠道信息的预测过程为例,分别对该支付渠道下可选的多个目标参数值进行打分,即针对每种可选的支付渠道编码进行打分,若可选的支付渠道编码包括:支付应用1、支付应用2、…、银行卡1、银行卡2、…,如图4所示,给出了利用深度兴趣网络模型确定目标用户选择支付应用1作为支付渠道的预估概率的具体实现过程,其中,上述深度兴趣网络模型包括:向量转换层、向量交互网络、向量融合层、向量拼接层、向量打分网络,基于此,利用深度兴趣网络模型对目标用户选择支付应用1作为支付渠道的可能性进行打分的具体实现过程,具体为:
(1)将目标用户的基本属性数据、各历史支付交易事件下的历史支付行为数据和历史支付环境数据、本次支付交易事件对应的当前支付环境数据、以及支付应用1对应的目标支付渠道编码(即待打分的支付渠道的目标参数值)输入至向量转换网络层(即embedding网络层);
(2)利用上述向量转换网络层输出基本属性数据对应的特征向量A、历史支付行为数据对应的第一特征向量、历史支付环境数据对应的第二特征向量、当前支付环境数据对应的第三特征向量、以及支付应用1对应的支付渠道编码对应的特征向量B;其中,该历史支付行为数据即为在历史支付交易事件执行过程中用户所选择的支付渠道编码,历史支付环境数据与当前支付环境数据包含的属性参数相对应;
(3)将特征向量A、第三特征向量、以及特征向量B输入至上述向量拼接层,以及将第一特征向量输入至上述向量融合层,以及将第二特征向量和第三特征向量输入上述向量交互网络;
(4)利用上述向量交互网络将当前支付环境数据对应的第三特征向量分别与各历史支付环境数据对应的第二特征向量进行交互处理,得到各历史支付交易事件对应的权重系数;具体的,将第三特征向量与历史支付交易事件1对应的第二特征向量进行交互处理,得到权重系数1,将第三特征向量与历史支付交易事件2对应的第二特征向量进行交互处理,得到权重系数2,类似的,将第三特征向量与历史支付交易事件n对应的第二特征向量进行交互处理,得到权重系数n;
具体的,以历史支付交易事件1对应的权重系数1的确定过程为例,求解第三特征向量与历史支付交易事件1对应的第二特征向量之间的外积,得到历史支付交易事件1对应的第四特征向量;将第三特征向量、历史支付交易事件1对应的第二特征向量、以及该第四特征向量进行拼接处理,得到历史支付交易事件1对应的第五特征向量;将该第五特征向量依次输入至激活层和线性层,得到该历史支付交易事件1对应的权重系数1,类似地,依次确定各历史支付交易事件2至n分别对应的权重系数2至n。
(5)利用上述向量融合层基于各上述权重系数,分别对各历史支付交易事件对应的第一特征向量进行加权及融合处理,得到融合特征向量;具体的,分别将各历史支付交易事件对应的第一特征向量与对应的权重系数相乘,得到加权后的第一特征向量,再对各加权后的第一特征向量进行SUM Pooling处理,得到融合特征向量,其中,对第i个历史支付交易事件下的历史支付行为数据进行加权的权重系数由当前支付环境数据和该历史支付交易事件下的历史支付环境数据共同决定的;
(6)将上述融合特征向量输入至上述向量拼接层,利用该向量拼接层对特征向量A、融合特征向量、第三特征向量、以及特征向量B进行拼接处理,得到拼接特征向量;
(7)将上述拼接特征向量输入至上述向量打分网络,利用该向量打分网络基于上述拼接特征向量对上述支付应用1对应的支付渠道编码进行打分,得到支付渠道分数1,其中,该支付渠道分数1用于表征目标用户选择使用支付应用1进行支付的预估概率,即支付渠道分数1的分值越大,说明目标用户在本次支付交易事件中选择使用支付应用1进行支付的可能性越大,即真实支付行为数据中支付渠道信息对应的真实参数值为支付应用1的概率越高;
具体的,上述向量打分网络可以包括全连接层、激活函数1、激活函数2以及分类函数中至少一项,将上述拼接特征向量依次输入全连接层、激活函数1、激活函数2以及分类函数中至少一项,输出结果即为针对支付应用1所确定的支付渠道分数1,即上述拼接特征向量经过全连接层,加以PRelu或Dice激活函数,再接入Softmax层输出一个分数,即为目标用户选择支付应用1作为支付渠道的预测分值。
类似地,参照上述(1)至(7)中给出的具体实现过程,分别确定支付应用2、…、银行卡1、银行卡2、…对应的打分结果,然后,将打分最高的目标参数值确定为该用户行为属性参数(即支付渠道)对应的预测参数值。
另外,为了提高针对目标用户的支付行为数据的预测效率,可以结合目标用户的历史支付交易数据确定用户偏好,进而基于用户偏好确定用户行为属性参数下可选的哪些备选参数值作为目标参数值,即在某一用户行为属性参数下可选的多个备选参数值中选取目标用户使用频率大于预设使用频率阈值的备选参数值作为目标参数值,这样无需针对用户行为属性参数下的所有备选参数值均进行打分,能够提高针对目标用户的支付行为数据的预测效率。
具体的,需要说明的是,其他用户行为属性参数(例如核身方式信息、或支付金额量级)对应的预测参数值的具体确定过程可以参照上述支付渠道对应的预测参数值的具体确定过程,在此不再赘述。
其中,在支付交易事件执行到第二预设处理节点时,即可获取到在支付风险识别过程中所需的真实支付行为数据,因此,可以将在先预测得到的支付行为数据与该真实支付行为数据进行比对,进而根据比对结果,确定基于该预设支付行为数据得到的预测支付风险识别结果是否可以作为支付风险管控的依据,具体的,如图5所示,上述基S108,基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定本次支付交易事件对应的目标支付风险识别结果,具体包括:
S1082,将上述预测支付行为数据和真实支付行为数据进行比对,得到相应的行为数据比对结果;
具体的,考虑到预测支付行为数据包括至少一种用户行为属性参数对应的预测参数值,对应的,真实支付行为数据包括该至少一种用户行为属性参数对应的真实参数值,因此,可以针对每个用户行为属性参数,将该用户行为属性参数对应的预测参数值与真实参数值进行比对,得到每个户行为属性参数对应的比对结果;
例如,上述至少一种用户行为属性参数包括:支付渠道信息、核身方式信息、支付金额量级,则将支付渠道信息对应的预测参数值与真实参数值进行比对,得到第一比对结果,以及,将核身方式信息对应的预测参数值与真实参数值进行比对,得到第二比对结果,以及,将支付金额量级对应的预测参数值与真实参数值进行比对,得到第三比对结果,进而将第一比对结果、第二比对结果和第三比对结果的组合确定为行为数据比对结果。
S1084,基于上述行为数据比对结果,判断深度兴趣网络模型的预测结果是否满足预设准确率约束条件;
若判断结果为是,则执行S1086,将上述预测支付风险识别结果确定为目标支付风险识别结果;
若判断结果为否,则执行S1088,利用预设风险识别模型,基于上述真实支付行为数据,对本次支付交易事件进行风险识别,得到目标支付风险识别结果。
其中,上述预设准确率约束条件可以包括:预测支付行为数据与真实支付行为数据的相似度大于或等于第一预设阈值,具体的,根据上述行为数据比对结果确定预测支付行为数据与真实支付行为数据的相似度,例如,若第一比对结果、第二比对结果和第三比对结果均表示预测参数值与真实参数值一致,则确定预测支付行为数据与真实支付行为数据的相似度为100%,即深度兴趣网络模型的预测结果准确度为100%,因此,说明基于预测支付行为数据得到的预测支付风险识别结果能够作为用于指导风险管控的目标支付风险识别结果,此时在本次支付交易事件执行完成的瞬时即可以进入极速风控链路,省去了基于真实支付行为数据进行支付风险识别的过程,即可直接基于预测支付风险识别结果对本次支付交易事件进行风险管控。另外,在具体实施时,也可以将放宽预设准确率约束条件,例如,允许对预测支付风险识别结果的影响程度比较小的用户行为属性参数对应的预测参数值与真实参数值存在一定偏差,也就是说,针对即使某一用户行为属性参数对应的预测参数值与真实参数值不一致,但不会导致预测支付风险识别结果由存在风险变为无风险,因此,上述第一预设阈值可以小于100%,对应的,上述预设准确率约束条件还可以包括:约定对预测支付风险识别结果的影响程度大于第二预设阈值的用户行为属性参数对应的预测参数值与真实参数值一致,言外之意,对预测支付风险识别结果的影响程度不大于第二预设阈值的用户行为属性参数对应的预测参数值与真实参数值可以不一致。
对应的,在深度兴趣网络模型的预测结果不满足预设准确率约束条件时,则说明预测支付行为数据与真实支付行为数据的相似度比较低,进而导致预测支付风险识别结果的准确度低,是不可信的,因此,需要重新基于真实支付行为数据进行支付风险识别,得到目标支付风险识别结果,进而再基于该目标支付风险识别结果对本次支付交易事件进行风险管控。
其中,考虑到上述预测支付行为数据包括:多种用户行为属性参数对应的预测参数值,因此,需要将各用户行为属性参数对应的预测参数值与真实参数值进行一一对比,对应的,上述行为数据比对结果包括各用户行为属性参数对应的参数值比对结果,因此,为了提高预测支付风险识别结果的准确度,可以约束各用户行为属性参数对应的预测参数值与真实参数值均一致的情况下,才确定深度兴趣网络模型的预测结果满足预设准确率约束条件,即上述预设准确率约束条件可以包括:预测支付行为数据与真实支付行为数据的相似度等于100%;
对应的,上述S1084,基于上述行为数据比对结果,判断深度兴趣网络模型的预测结果是否满足预设准确率约束条件,具体包括:
基于各种用户行为属性参数对应的参数值比对结果,判断多种用户行为属性参数的预测参数值和真实参数值是否均匹配;
若是,则确定上述深度兴趣网络模型的预测结果满足预设准确率约束条件,此时说明基于预测支付行为数据得到的预测支付风险识别结果能够作为用于指导风险管控的目标支付风险识别结果;
若否,则确定上述深度兴趣网络模型的预测结果不满足预设准确率约束条件,此时说明基于预测支付行为数据得到的预测支付风险识别结果准确度比较低,因此,需要重新利用预设支付风险识别模型基于目标用户的真实支付行为数据进行支付风险识别。
进一步的,在具体实施时,第二预设处理节点为可以是一个,即第二预设处理节点晚于各用户行为属性参数对应的真实参数值的数据产生节点中尾个数据产生节点所在的支付处理节点,例如,支付金额量级、支付渠道信息、核身方式信息对应的真实参数值产生于先后依次执行的支付处理节点2、3、5,因此,可以将支付处理节点5作为第二预设处理节点,也可以将最后一个支付处理节点n作为第二预设处理节点,此时能够一并获取各用户行为属性参数对应的真实参数值;另外,考虑到不同的用户行为属性参数对应的真实参数值,是在先后执行的多个支付处理节点的执行过程中所产生的,因此,第二预设处理节点也可以为多个,该第二预设处理节点是基于上述各用户行为属性参数对应的真实参数值的数据产生节点所确定的,即将支付处理节点2、3、5均确定为第二预设处理节点,此时,只要某一用户行为属性参数对应的真实参数值已产生即可获取,这样能够提取将该真实参数值与对应的预测参数值进行比对,如果不一致且本次支付交易事件未执行到最后一个第二预设处理节点,则可以基于该真实参数值更新预测支付行为数据,并基于更新后的预测支付行为数据重新确定预测支付风险识别结果,这样能够提高预测支付风险识别结果的可参考概率。
需要说明的是,针对第二预设处理节点为多个的情况,上述步骤S104和S106的执行先后顺序不做限制,对应的,由于在确定预测支付风险识别结果之前,已将部分用户行为属性参数对应的真实参数值与对应的预测参数值进行比对,因此,在上述S108中仅需将在确定预测支付风险识别结果之后获取的用户行为属性参数对应的真实参数值与对应的预测参数值进行比对。
其中,在确定出本次支付交易事件对应的目标支付风险识别结果后,即可基于该目标支付风险识别结果对本次交易事件进行管控,其中,由于在用户发起确认支付的瞬时,仅需简单地进行预测支付行为数据与真实支付行为数据之间的比对,如果比对结果符合预期,则无需基于真实支付行为数据进行支付风险识别,因此,可以直接基于预测支付风险识别结果进行风险管控,从而提高了针对支付交易事件的风险管控效率,具体的,在S108,基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定本次支付交易事件对应的目标支付风险识别结果之后,还包括:
基于上述目标支付风险识别结果,对上述本次支付交易事件进行管控处理。
具体的,若基于目标支付风险识别结果确定本次支付交易事件存在风险,则对本次支付交易事件进行拦截处理、或者进行风险提示处理;对应的,若基于目标支付风险识别结果确定本次支付交易事件不存在风险,则对本次支付交易事件进行放行处理,即响应目标用户的支付确认操作,直到执行完成支付处理链路中的最后处理节点。
本说明书一个或多个实施例中的支付风险识别方法,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
对应上述图1至图5描述的支付风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别方法,图6为本说明书一个或多个实施例提供的支付风险识别方法的流程示意图,图6中的方法能够由支付风险识别服务端执行,如图6所示,该方法至少包括以下步骤:
S602,若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据;
S604,接收区块链系统发送的预测支付行为数据,并利用预设风险识别模型基于预测支付行为数据,对本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
S606,在本次支付交易事件执行到支付处理链路中的第二预设处理节点时,获取在第二预设处理节点之前所产生的目标用户的真实支付行为数据;其中,第二预设处理节点晚于第一预设处理节点;
S608,将真实支付行为数据和预测支付风险识别结果提供给区块链系统,以使区块链系统通过预先部署的智能合约基于预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定目标支付风险识别结果。
其中,智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议,智能合约允许在没有第三方的情况下进行可信交互,进行的上述交互过程可追踪且不可逆转,智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。其中,针对利用区块链系统对用户支付行为数据进行预测过程,可以预先在区块链系统中部署用于触发利用深度兴趣网络模型进行预测的第一智能合约,该第一智能合约包括深度兴趣网络模型的运行代码;对应的,针对利用区块链系统确定目标支付风险识别结果的过程,可以预先在区块链系统中部署用户触发真实数据与预测数据的对比及基于比对结果确定目标支付风险识别结果的第二智能合约,该第二智能合约中可以包括触发执行该智能合约的触发条件,以及触发条件对应的结果,智能合约中可以包括一个或多个触发条件,每个触发条件可以对应有一个结果,如满足A条件,则确定预测支付风险识别结果可以作为目标支付风险识别结果,如满足B条件,则确定预测支付风险识别结果不可以作为目标支付风险识别结果等。
具体地,区块链系统中的各区块链节点中可以安装有相应的应用程序,该应用程序可以是用于执行用户支付行为数据的预测或确定目标支付风险识别结果,该应用程序中可以设置有信息输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收预先训练的深度兴趣网络模型和预设模型预测准确率约束条件。区块链系统可以基于该深度兴趣网络模型生成相应的第一智能合约,以及基于该约束条件生成相应的第二智能合约,并可以向该区块链系统中部署该第一智能合约和第二智能合约,其中,第一智能合约和第二智能合约可以属于同一个智能合约,也可以是不同的智能合约,这样,区块链系统中存储了深度兴趣网络模型、预设模型预测准确率约束条件和相应的智能合约,其他用户无法篡改该区块链系统中的相关信息,而且,区块链系统通过智能合约进行用户支付行为数据的预测以及目标支付风险识别结果的确定;另外,也可以在区块链系统中部署预设风险识别模型对应的第三智能合约,这样可以利用第三智能合约对支付交易事件进行支付风险识别,从而进一步提高目标支付风险识别结果的确定准确性。
本说明书一个或多个实施例中的支付风险识别方法,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,触发区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再触发区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
需要说明的是,本说明书中该实施例与本说明书中上一实施例基于同一发明构思,因此该实施例的具体实施可以参见前述支付风险识别方法的实施,重复之处不再赘述。
对应上述图1至图5描述的支付风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别方法,图7为本说明书一个或多个实施例提供的支付风险识别方法的流程示意图,图7中的方法能够由区块链系统执行,如图7所示,该方法至少包括以下步骤:
S702,接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,第一支付相关数据包括:历史支付交易数据和当前支付环境数据,第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
S704,通过预先部署的智能合约基于历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据;
S706,将预测支付行为数据发送至支付风险识别设备,以使支付风险识别设备利用预设风险识别模型基于预测支付行为数据,对本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
S708,接收支付风险识别设备发送的第二支付相关数据;其中,第二支付相关数据包括:预测支付风险识别结果和在第二预设处理节点之前所产生的目标用户的真实支付行为数据,第二支付相关数据是在本次支付交易事件执行到支付处理链路中的第二预设处理节点时发送的;第二预设处理节点晚于第一预设处理节点;
S710,通过预先部署的智能合约基于预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定目标支付风险识别结果。
其中,上述S704,通过预先部署的智能合约基于历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据,具体包括:
基于预先部署的智能合约从区块链系统中获取预先训练的深度兴趣网络模型的索引信息,并基于索引信息获取深度兴趣网络模型;
基于智能合约,将历史支付交易数据和当前支付环境数据输入至深度兴趣网络模型中,得到目标用户的预测支付行为数据。
其中,上述S710,通过预先部署的智能合约基于预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定目标支付风险识别结果,具体包括:
通过预先部署的智能合约基于预测支付行为数据和真实支付行为数据,判断深度兴趣网络模型的预测结果是否满足预设准确率约束条件;其中,预先部署的智能合约包括预设准确率约束条件对应的智能合约;
若是,则将预测支付风险识别结果确定为目标支付风险识别结果;
若否,则向支付风险识别设备发送风险识别请求,以使支付风险识别设备利用预设风险识别模型,基于真实支付行为数据,对本次支付交易事件进行风险识别,得到目标支付风险识别结果。
其中,智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议,智能合约允许在没有第三方的情况下进行可信交互,进行的上述交互过程可追踪且不可逆转,智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。其中,针对利用区块链系统对用户支付行为数据进行预测过程,可以预先在区块链系统中部署用于触发利用深度兴趣网络模型进行预测的第一智能合约,该第一智能合约包括深度兴趣网络模型的运行代码;对应的,针对利用区块链系统确定目标支付风险识别结果的过程,可以预先在区块链系统中部署用户触发真实数据与预测数据的对比及基于比对结果确定目标支付风险识别结果的第二智能合约,该第二智能合约中可以包括触发执行该智能合约的触发条件,以及触发条件对应的结果,智能合约中可以包括一个或多个触发条件,每个触发条件可以对应有一个结果,如满足A条件,则确定预测支付风险识别结果可以作为目标支付风险识别结果,如满足B条件,则确定预测支付风险识别结果不可以作为目标支付风险识别结果等。
具体地,区块链系统中的各区块链节点中可以安装有相应的应用程序,该应用程序可以是用于执行用户支付行为数据的预测或确定目标支付风险识别结果,该应用程序中可以设置有信息输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收预先训练的深度兴趣网络模型和预设模型预测准确率约束条件。区块链系统可以基于该深度兴趣网络模型生成相应的第一智能合约,以及基于该约束条件生成相应的第二智能合约,并可以向该区块链系统中部署该第一智能合约和第二智能合约,其中,第一智能合约和第二智能合约可以属于同一个智能合约,也可以是不同的智能合约,这样,区块链系统中存储了深度兴趣网络模型、预设模型预测准确率约束条件和相应的智能合约,其他用户无法篡改该区块链系统中的相关信息,而且,区块链系统通过智能合约进行用户支付行为数据的预测以及目标支付风险识别结果的确定;另外,也可以在区块链系统中部署预设风险识别模型对应的第三智能合约,这样可以利用第三智能合约对支付交易事件进行支付风险识别,从而进一步提高目标支付风险识别结果的确定准确性。
本说明书一个或多个实施例中的支付风险识别方法,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,通过区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再通过区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
需要说明的是,本说明书中该实施例与本说明书中上一实施例基于同一发明构思,因此该实施例的具体实施可以参见前述支付风险识别方法的实施,重复之处不再赘述。
对应上述图1至图5描述的支付风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别装置,图8为本说明书一个或多个实施例提供的支付风险识别装置的第一种模块组成示意图,该装置用于执行图1至图5描述的支付风险识别方法,如图8所示,该装置包括:
支付行为数据预测模块802,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
第一支付风险识别模块804,其利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
支付行为数据获取模块806,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
第二支付风险识别模块808,其基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别装置,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
需要说明的是,本说明书中关于支付风险识别装置的实施例与本说明书中关于支付风险识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付风险识别方法的实施,重复之处不再赘述。
对应上述图1至图5描述的支付风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别装置,图9为本说明书一个或多个实施例提供的支付风险识别装置的第二种模块组成示意图,该装置用于执行图1至图5描述的支付风险识别方法,如图9所示,该装置包括:
第一支付数据发送模块902,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
预测支付数据接收模块904,其接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
支付行为数据获取模块906,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
第二支付数据发送模块908,其将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别装置,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,触发区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再触发区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
对应上述图1至图5描述的支付风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别装置,图10为本说明书一个或多个实施例提供的支付风险识别装置的第三种模块组成示意图,该装置用于执行图1至图5描述的支付风险识别方法,如图10所示,该装置包括:
第一支付数据接收模块1002,其接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
支付行为数据预测模块1004,其通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
支付行为数据发送模块1006,其将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
第二支付数据接收模块1008,其接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
支付风险识别模块1010,其通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别装置,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,通过区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再通过区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
进一步地,对应上述图1至图5所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付风险识别设备,该设备用于执行上述的支付风险识别方法,如图11所示。
支付风险识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器1101和存储器1102,存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中,存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对支付风险识别设备中的一系列计算机可执行指令。更进一步地,处理器1101可以设置为与存储器1102通信,在支付风险识别设备上执行存储器1102中的一系列计算机可执行指令。支付风险识别设备还可以包括一个或一个以上电源1103,一个或一个以上有线或无线网络接口1104,一个或一个以上输入输出接口1105,一个或一个以上键盘1106等。
在一个具体的实施例中,支付风险识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对支付风险识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别设备,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
在另一个具体的实施例中,支付风险识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对支付风险识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别设备,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,触发区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再触发区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
在又一个具体的实施例中,支付风险识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对支付风险识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的支付风险识别设备,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,通过区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再通过区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
需要说明的是,本说明书中关于支付风险识别设备的实施例与本说明书中关于支付风险识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付风险识别方法的实施,重复之处不再赘述。
进一步地,对应上述图1至图5所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
在另一个具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,触发区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再触发区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
在又一个具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,在目标用户触发的当前支付交易事件执行到第一预设处理节点时,通过区块链系统开始基于历史支付交易数据和当前支付环境数据对目标用户的支付行为数据进行预测,以便先基于预测得到的支付行为数据进行支付风险识别,得到初始的支付风险识别结果;然后,在当前支付交易事件执行到第二预设处理节点时,可以获取支付识别风险所需的真实支付行为数据,再通过区块链系统基于真实支付行为数据和预测支付行为数据,来确定初始的支付风险识别结果是否能够作为用于风险管控的支付风险识别结果,其中,在预测得到的支付行为数据和真实支付行为数据的相似程度达到某一预设阈值时,说明基于该预测支付行为数据得到的初始的支付风险识别结果是可信的,因此,可以直接基于该支付风险识别结果进行风险管控,无需再基于真实支付行为数据进行支付风险识别,从而提高了支付风险管控的时效性;而且由于在目标用户的支付行为数据预测过程中不仅引入了历史支付交易数据,还考虑了当前支付环境数据,从而提高了支付行为数据的预测准确度。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于支付风险识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付风险识别方法的实施,重复之处不再赘述。
另外,服务器接收到请求后,可以生成二维码,并返回给客户端。本说明书一些实施例中,服务器返回给客户端的可以是服务器根据接收到的请求生成的码值,客户端可以将服务器返回的码值映射为对应的二维码,并渲染和展示该二维码。或者,服务器也可以直接根据接收到的请求生成二维码图片,将生成的二维码图片返回给客户端,以供客户端展示接收到的二维码图片。并且,根据实际使用需要,二维码的生成过程包括但不限于上述解释,本说明书实施例不作具体限定。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个是参照根据本说明书一个或多个实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个的权利要求范围之内。
Claims (22)
1.一种支付风险识别方法,包括:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
2.根据权利要求1所述的方法,其中,所述预测支付行为数据包括:至少一种用户行为属性参数对应的预测参数值;
在利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据之前,还包括:
基于预设风险识别模型在风险识别过程中所需的模型输入数据的类别信息,确定所述至少一种用户行为属性参数;其中,所述用户行为属性参数包括:支付渠道信息、核身方式信息、支付金额量级中至少一项。
3.根据权利要求2所述的方法,其中,所述获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,包括:
基于在所述第二预设处理节点之前所产生的所述目标用户的真实支付交易数据,确定所述至少一种用户行为属性参数对应的真实参数值;
将各所述用户行为属性参数对应的所述真实参数值的集合确定为所述目标用户的真实支付行为数据。
4.根据权利要求2所述的方法,其中,所述历史支付交易数据包括:每笔历史支付交易事件下的历史支付行为数据和历史支付环境数据;
所述利用深度兴趣网络模型基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据,包括:
针对每笔所述历史支付交易事件,确定该历史支付交易事件下的所述历史支付行为数据对应的第一特征向量和所述历史支付环境数据对应的第二特征向量;
将所述当前支付环境数据对应的第三特征向量分别与所述第二特征向量进行交互处理,确定各所述历史支付交易事件对应的权重系数;其中,该权重系数的数值大小用于表征历史支付环境与当前支付环境之间的相似程度;
基于各所述权重系数,分别对所述第一特征向量进行加权及融合处理,得到融合特征向量;
基于所述目标用户的基本属性数据对应的特征向量、所述第三特征向量、所述用户行为属性参数下可选的多个目标参数值对应的特征向量、以及所述融合特征向量,确定所述目标用户的预测支付行为数据。
5.根据权利要求4所述的方法,其中,所述将所述当前支付环境数据对应的第三特征向量分别与所述第二特征向量进行交互处理,确定各所述历史支付交易事件对应的权重系数,包括:
针对每笔所述历史支付交易事件,求解所述当前支付环境数据对应的第三特征向量与该历史支付交易事件对应的所述第二特征向量之间的外积,得到第四特征向量;
将所述第二特征向量、所述第三特征向量和所述第四特征向量进行拼接处理,得到第五特征向量;
将所述第五特征向量依次输入至激活层和线性层,得到所述历史支付交易事件对应的权重系数。
6.根据权利要求4所述的方法,其中,所述基于所述目标用户的基本属性数据对应的特征向量、所述第三特征向量、所述用户行为属性参数下可选的多个目标参数值对应的特征向量、以及所述融合特征向量,确定所述目标用户的预测支付行为数据,包括:
针对所述用户行为属性参数下可选的每个目标参数值,基于所述目标用户的基本属性数据对应的特征向量、所述第三特征向量、所述目标参数值对应的特征向量、以及所述融合特征向量,确定所述目标参数值对应的拼接特征向量;
基于所述拼接特征向量,确定所述用户行为属性参数的真实参数值为所述目标参数值的预估概率;
将概率值最大的所述预估概率对应的所述目标参数值,确定为所述用户行为属性参数对应的预测参数值。
7.根据权利要求1所述的方法,其中,所述基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,包括:
将所述预测支付行为数据和所述真实支付行为数据进行比对,得到相应的行为数据比对结果;
基于所述行为数据比对结果,判断所述深度兴趣网络模型的预测结果是否满足预设准确率约束条件;
若是,则将所述预测支付风险识别结果确定为目标支付风险识别结果;
若否,则利用所述预设风险识别模型,基于所述真实支付行为数据,对所述本次支付交易事件进行风险识别,得到目标支付风险识别结果。
8.根据权利要求7所述的方法,其中,所述预测支付行为数据包括:多种用户行为属性参数对应的预测参数值;
所述基于所述行为数据比对结果,判断所述深度兴趣网络模型的预测结果是否满足预设准确率约束条件,包括:
基于各种所述用户行为属性参数对应的参数值比对结果,判断所述多种用户行为属性参数的预测参数值和真实参数值是否均匹配;
若是,则确定所述深度兴趣网络模型的预测结果满足预设准确率约束条件;
若否,则确定所述深度兴趣网络模型的预测结果不满足预设准确率约束条件。
9.根据权利要求1至8任一项所述的方法,其中,在基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果之后,还包括:
基于所述目标支付风险识别结果,对所述本次支付交易事件进行管控处理。
10.一种支付风险识别方法,所述方法包括:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
11.一种支付风险识别方法,应用于区块链系统,所述方法包括:
接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
12.根据权利要求11所述的方法,其中,所述通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据,包括:
基于预先部署的智能合约从所述区块链系统中获取预先训练的深度兴趣网络模型的索引信息,并基于所述索引信息获取所述深度兴趣网络模型;
基于所述智能合约,将所述历史支付交易数据和所述当前支付环境数据输入至所述深度兴趣网络模型中,得到所述目标用户的预测支付行为数据。
13.根据权利要求12所述的方法,其中,所述通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,包括:
通过预先部署的智能合约基于所述预测支付行为数据和所述真实支付行为数据,判断所述深度兴趣网络模型的预测结果是否满足预设准确率约束条件;其中,所述预先部署的智能合约包括所述预设准确率约束条件对应的智能合约;
若是,则将所述预测支付风险识别结果确定为目标支付风险识别结果;
若否,则向所述支付风险识别设备发送风险识别请求,以使所述支付风险识别设备利用所述预设风险识别模型,基于所述真实支付行为数据,对所述本次支付交易事件进行风险识别,得到目标支付风险识别结果。
14.一种支付风险识别装置,包括:
支付行为数据预测模块,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
第一支付风险识别模块,其利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
支付行为数据获取模块,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
第二支付风险识别模块,其基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
15.一种支付风险识别装置,包括:
第一支付数据发送模块,其若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
预测支付数据接收模块,其接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
支付行为数据获取模块,其在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
第二支付数据发送模块,其将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
16.一种支付风险识别装置,所述装置为区块链系统中的装置,包括:
第一支付数据接收模块,其接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
支付行为数据预测模块,其通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
支付行为数据发送模块,其将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
第二支付数据接收模块,其接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
支付风险识别模块,其通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
17.一种支付风险识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
18.一种支付风险识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
19.一种支付风险识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
20.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于所述目标用户的历史支付交易数据和当前支付环境数据,确定所述目标用户的预测支付行为数据;
利用预设风险识别模型并基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
21.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则将所述目标用户的历史支付交易数据和当前支付环境数据提供给预设的区块链系统,以使所述区块链系统通过预先部署的智能合约利用深度兴趣网络模型,基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
接收所述区块链系统发送的所述预测支付行为数据,并利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时,获取在所述第二预设处理节点之前所产生的所述目标用户的真实支付行为数据;其中,所述第二预设处理节点晚于所述第一预设处理节点;
将所述真实支付行为数据和所述预测支付风险识别结果提供给所述区块链系统,以使所述区块链系统通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
22.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
接收支付风险识别设备发送的目标用户的第一支付相关数据;其中,所述第一支付相关数据包括:历史支付交易数据和当前支付环境数据,所述第一支付相关数据是在针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点时所发送的;
通过预先部署的智能合约基于所述历史支付交易数据和所述当前支付环境数据,确定所述目标用户的预测支付行为数据;
将所述预测支付行为数据发送至所述支付风险识别设备,以使所述支付风险识别设备利用预设风险识别模型基于所述预测支付行为数据,对所述本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;
接收所述支付风险识别设备发送的第二支付相关数据;其中,所述第二支付相关数据包括:所述预测支付风险识别结果和在第二预设处理节点之前所产生的所述目标用户的真实支付行为数据,所述第二支付相关数据是在所述本次支付交易事件执行到所述支付处理链路中的第二预设处理节点时发送的;所述第二预设处理节点晚于所述第一预设处理节点;
通过预先部署的智能合约基于所述预测支付行为数据、所述真实支付行为数据和所述预测支付风险识别结果,确定目标支付风险识别结果,其中,在所述预测支付行为数据与所述真实支付行为数据的相似度符合预设条件的情况下,将所述预测支付风险识别结果确定为目标支付风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953376.4A CN113516480B (zh) | 2021-08-19 | 2021-08-19 | 一种支付风险识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953376.4A CN113516480B (zh) | 2021-08-19 | 2021-08-19 | 一种支付风险识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516480A CN113516480A (zh) | 2021-10-19 |
CN113516480B true CN113516480B (zh) | 2024-04-26 |
Family
ID=78069275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110953376.4A Active CN113516480B (zh) | 2021-08-19 | 2021-08-19 | 一种支付风险识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516480B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992429B (zh) * | 2021-12-22 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种事件的处理方法、装置及设备 |
CN117151716A (zh) * | 2023-07-13 | 2023-12-01 | 杭州东骋科技有限公司 | 一种基于主动巡检方式判别线上资金交易风险的方法 |
CN116976960B (zh) * | 2023-09-22 | 2023-12-05 | 广州扬盛计算机软件有限公司 | 二维码支付的数据处理方法及系统 |
CN117036037B (zh) * | 2023-10-09 | 2023-12-29 | 中国建设银行股份有限公司 | 可疑交易风险分析方法及装置 |
CN117557272A (zh) * | 2023-11-22 | 2024-02-13 | 深圳市中磁计算机技术有限公司 | 一种针对pos机的支付环境安全检测方法、系统及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194177A (zh) * | 2011-05-13 | 2011-09-21 | 南京柯富锐软件科技有限公司 | 一种用于在线支付风险控制的系统 |
CN109003075A (zh) * | 2017-06-07 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN109063965A (zh) * | 2018-06-29 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种网络支付风险评估方法、装置及服务器 |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技(武汉)有限公司 | 账号的风险识别方法、装置及存储介质 |
CN111309788A (zh) * | 2020-03-08 | 2020-06-19 | 山西大学 | 一种银行客户交易网络的社区结构发现方法及系统 |
CN111489168A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险识别方法、装置和处理设备 |
CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
CN112837069A (zh) * | 2021-03-23 | 2021-05-25 | 冯琬晴 | 基于区块链与大数据的安全支付方法及云平台系统 |
US11023909B1 (en) * | 2016-12-16 | 2021-06-01 | Worldpay, Llc | Systems and methods for predicting consumer spending behavior based on historical transaction activity progressions |
WO2021103694A1 (zh) * | 2019-11-25 | 2021-06-03 | 支付宝(杭州)信息技术有限公司 | 一种支付系统、方法、服务器设备、介质及装置 |
CN113112274A (zh) * | 2021-04-12 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 一种支付信息处理的方法、装置、设备及介质 |
CN113129012A (zh) * | 2021-04-09 | 2021-07-16 | 支付宝(杭州)信息技术有限公司 | 支付数据处理方法、装置、设备及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563757B (zh) * | 2016-07-01 | 2020-09-22 | 阿里巴巴集团控股有限公司 | 数据风险识别的方法及装置 |
-
2021
- 2021-08-19 CN CN202110953376.4A patent/CN113516480B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194177A (zh) * | 2011-05-13 | 2011-09-21 | 南京柯富锐软件科技有限公司 | 一种用于在线支付风险控制的系统 |
US11023909B1 (en) * | 2016-12-16 | 2021-06-01 | Worldpay, Llc | Systems and methods for predicting consumer spending behavior based on historical transaction activity progressions |
CN109003075A (zh) * | 2017-06-07 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN109063965A (zh) * | 2018-06-29 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种网络支付风险评估方法、装置及服务器 |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技(武汉)有限公司 | 账号的风险识别方法、装置及存储介质 |
WO2021103694A1 (zh) * | 2019-11-25 | 2021-06-03 | 支付宝(杭州)信息技术有限公司 | 一种支付系统、方法、服务器设备、介质及装置 |
CN111309788A (zh) * | 2020-03-08 | 2020-06-19 | 山西大学 | 一种银行客户交易网络的社区结构发现方法及系统 |
CN111489168A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险识别方法、装置和处理设备 |
CN112837069A (zh) * | 2021-03-23 | 2021-05-25 | 冯琬晴 | 基于区块链与大数据的安全支付方法及云平台系统 |
CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
CN113129012A (zh) * | 2021-04-09 | 2021-07-16 | 支付宝(杭州)信息技术有限公司 | 支付数据处理方法、装置、设备及系统 |
CN113112274A (zh) * | 2021-04-12 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 一种支付信息处理的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113516480A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
CN112632961B (zh) | 基于上下文推理的自然语言理解处理方法、装置以及设备 | |
CN114612759B (zh) | 视频处理方法、查询视频的方法和模型训练方法、装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN114880706A (zh) | 一种信息处理方法、装置及设备 | |
CN113221717B (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
US11645323B2 (en) | Coarse-to-fine multimodal gallery search system with attention-based neural network models | |
CN115545720B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115147227B (zh) | 一种交易风险的检测方法、装置及设备 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN115730233B (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 | |
CN115952271B (zh) | 一种生成对话信息的方法、装置、存储介质及电子设备 | |
CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
CN115860749B (zh) | 一种数据处理方法、装置及设备 | |
CN113220746B (zh) | 信息核验处理方法及装置 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN117093863A (zh) | 一种模型的处理方法、装置及设备 | |
CN116843181A (zh) | 风险识别方法及装置 | |
CN117787443A (zh) | 一种风控方法、装置、设备及可读存储介质 | |
CN117591217A (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN118070922A (zh) | 一种模型的处理方法、装置及设备 | |
CN118260713A (zh) | 一种多模态数据的融合方法、装置及设备 | |
CN117876114A (zh) | 一种业务执行和模型训练的方法及装置 |
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 |