CN114549001A - 训练风险交易识别模型、识别风险交易的方法和装置 - Google Patents
训练风险交易识别模型、识别风险交易的方法和装置 Download PDFInfo
- Publication number
- CN114549001A CN114549001A CN202210119317.1A CN202210119317A CN114549001A CN 114549001 A CN114549001 A CN 114549001A CN 202210119317 A CN202210119317 A CN 202210119317A CN 114549001 A CN114549001 A CN 114549001A
- Authority
- CN
- China
- Prior art keywords
- transaction
- risk
- sample
- transactions
- training
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006399 behavior Effects 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 208000001613 Gambling Diseases 0.000 description 21
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004366 reverse phase liquid chromatography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了训练风险交易识别模型的方法和装置,以及识别风险交易的方法和装置,其中,训练风险交易识别模型的方法的一具体实施方式包括:获取历史交易记录,上述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;判断上述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;判断上述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;基于各交易样本及其标签标注情况,训练风险交易识别模型。
Description
技术领域
本说明书实施例涉及计算机技术领域,尤其涉及训练风险交易识别模型的方法和装置,以及涉及识别风险交易的方法和装置。
背景技术
非法金融活动对社会有着巨大危害,受到了监管部门的高度重视。同时,非法金融活动也是支付平台管理体系的重点防控对象。以网络赌博为例,网络赌博黑色产业利用支付平台提供的服务构建入金渠道,收取赌资。这里,入金渠道可以是指赌博黑色产业为赌徒完成赌资充值所提供的渠道。通常,赌博风险可以分为主动赌博风险与被动赌博风险。相比主动赌博风险,对被动赌博风险进行感知与防控的主要挑战在于收款方一般是有一定成交量的大商户,其自身的用户信息与历史交易行为几乎不提供赌博风险特征。仅靠赌徒的用户信息与历史交易行为,很难判断其向大商户的付款是否是赌博充值。因此,如何识别具有被动赌博风险的风险交易具有重要的现实意义和价值。
发明内容
本说明书的实施例描述了训练风险交易识别模型的方法和装置,以及识别风险交易的方法和装置,本方法在训练风险交易识别模型的过程中,基于交易对应的端侧行为序列、链路特征和交易基本信息构建交易样本,并基于交易样本训练风险交易识别模型,由此,可以使训练得到的风险交易识别模型在识别风险交易时,综合分析交易对应的端侧行为序列、链路特征和交易信息,从而使识别更加准确。
根据第一方面,提供了一种训练风险交易识别模型的方法,包括:获取历史交易记录,上述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;判断上述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;判断上述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;基于各交易样本及其标签标注情况,训练风险交易识别模型。
根据第二方面,提供了一种识别风险交易的方法,包括:判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果;判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果;将上述第三判断结果、第四判断结果和上述目标交易的交易基本信息输入预先训练的风险交易识别模型;根据上述风险交易识别模型的输出结果,判断上述目标交易是否为预设风险类型的交易。
根据第三方面,提供了一种训练风险交易识别模型的装置,包括:获取单元,配置为获取历史交易记录,上述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;第一判断单元,配置为判断上述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;第二判断单元,配置为判断上述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;构建单元,配置为基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;训练单元,配置为基于各交易样本及其标签标注情况,训练风险交易识别模型。
根据第四方面,提供了一种识别风险交易的装置,包括:第三判断单元,配置为判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果;第四判断单元,配置为判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果;输入单元,配置为将上述第三判断结果、第四判断结果和上述目标交易的交易基本信息输入预先训练的风险交易识别模型;风险交易判断单元,配置为根据上述风险交易识别模型的输出结果,判断上述目标交易是否为预设风险类型的交易。
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,当上述计算机程序在计算机中执行时,令计算机执行如第一方面或者第二方面中任一实现方式描述的方法。
根据第六方面,提供了一种计算设备,包括存储器和处理器,其特征在于,上述存储器中存储有可执行代码,上述处理器执行上述可执行代码时,实现如第一方面或者第二方面中任一实现方式描述的方法。
根据本说明书实施例提供的训练风险交易识别模型的方法和装置,以及识别风险交易的方法和装置,在训练风险交易识别模型的过程中,基于交易对应的端侧行为序列、链路特征和交易基本信息构建交易样本,并基于交易样本训练风险交易识别模型,由此,可以使训练得到的风险交易识别模型在识别风险交易时,综合分析交易对应的端侧行为序列、链路特征和交易信息,从而使识别更加准确。
附图说明
图1示出了本说明书实施例的识别风险交易的方法可以应用于其中的一个应用场景的示意图;
图2示出了根据一个实施例的训练风险交易识别模型的方法的流程示意图;
图3示出了根据一个实施例的识别风险交易的方法的流程示意图;
图4示出了根据一个实施例的训练风险交易识别模型的装置的示意性框图;
图5示出了根据一个实施例的识别风险交易的装置的示意性框图。
具体实施方式
下面结合附图和实施例,对本说明书提供的技术方案做进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。需要说明的是,在不冲突的情况下,本说明书的实施例及实施例中的特征可以相互组合。
本说明书的实施例提供了训练风险交易识别模型的方法,以及基于训练得到的风险交易识别模型来识别风险交易的方法,从而可以准确的识别风险交易。图1示出了本说明书实施例的识别风险交易的方法可以应用于其中的一个应用场景的示意图。如图1所示,本应用场景中的目标交易为用户101向某个商户102付款的交易,在确定目标交易之后,判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到端侧判断结果。同时,判断目标交易对应的链路特征是否符合预设的高风险模式,得到链路判断结果。之后,将端侧判断结果、链路判断结果和目标交易的交易基本信息(例如,用户信息、用户历史交易行为信息等)输入预先训练得到的风险交易识别模型103。最后,根据风险交易识别模型103的输出结果,判断目标交易是否为预设风险类型的交易,这里的预设风险类型可以是被动赌博风险。
继续参见图2,图2示出了根据一个实施例的训练风险交易识别模型的方法的流程示意图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图2所示,该训练风险交易识别模型的方法,可以包括以下步骤:
步骤201,获取历史交易记录。
在本实施例中,可以获取至少一个商户的至少一条历史交易记录,历史交易记录中可以包括标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易。这里,风险交易可以是通过多种方式确定出来的,例如,可以将被投诉为网络赌博等非法交易的交易确定为风险交易,又例如,可以将现有防控手段识别出的高准赌博交易确定为风险交易。正常交易可以是确定为非风险交易的交易,例如,可以将通过商户的官方APP(Application,应用程序)创建订单而完成的交易确定为正常交易。其他交易,可以是指除风险交易和正常交易之外的交易。
这里,各条历史交易记录中可以包括与交易有关的各种信息,举例来说,可以包括交易对应的端侧行为序列、链路特征、交易基本信息等等。
其中,端侧行为序列是用户端侧进行的用户操作行为所形成的序列。端侧行为序列可以是基于以下至少一种日志产生的:超级位置模型(Super Position Model,SPM)日志、远程过程调用(Remote Procedure Call,RPC)日志、端侧安全系统日志。实践中,支付平台的客户端上所有资源(例如,页面上的图标、图片、文本块、可交互元素等等)都依照超级位置模型获得一个唯一标识,当资源向用户曝光或者被用户点击时,会留下日志,因此,SPM日志能够体现端侧用户的浏览、点击等行为。支付平台的客户端向服务器发送的RPC请求会产生日志,其中一些RPC是由用户的操作产生的,因此RPC日志也能够体现端侧用户的一部分行为。此外,向支付平台客户端或者支付平台小程序跳转的请求会向端侧安全系统发起安全咨询,并留下端侧安全系统日志,这些日志记录了技术链路,同时由于一些跳转是由端侧用户行为产生的,因此也能够体现一部分端侧用户行为。
以网络赌博为例,通常,赌徒获取的黑色产业创建的订单,与用户通过正规渠道创建的订单,具有不同的端侧用户行为。例如,用户在商户的官方APP上创建订单,点击支付就可以直接拉起支付平台的支付接口,而赌徒可能要先对黑色产业的网页或者APP上的订单二维码使用相册扫描或者支付平台扫描等。因此,通过采集到的超级位置模型日志、远程过程调用日志、端侧安全系统日志等信息,可以还原出用户在支付事件之前的一小段时间内的端侧行为序列。对端侧行为序列进行分析,可以帮助识别出网络赌博。
技术链路可以是指,唤端过程中发生在各种APP、网页和支付平台小程序之间的跳转。这里,唤端可以是指利用支付平台提供的服务,拉起支付接口的过程,之后用户可以使用自己的支付平台账户完成付款。而交易对应的链路特征可以包括以下中的至少一项:交易各跳转位置的特征、跳转次数、支付渠道、支付产品、订单商品名称、收款方信息在预设时间段内出现次数的量级等等。这里,各跳转位置的特征可以包括跳转的来源(即,从哪里来)的特征和去向(即,到哪里去)的特征。来源的特征可以包括与来源有关的各种特征。例如,根据跳转的来源的名称,可以将来源分为APP、小程序、H5页面等等多个类型,并将来源的类型作为来源的特征之一。又例如,可以将来源的ID(标识)作为来源的特征之一。再例如,如果来源为APP,还可以将APP是否为预设名单中APP的判断结果作为来源的特征之一。同样,去向的特征也可以包括去向的类型、ID等。这里,支付渠道可以包括支付平台提供的H5网页支付、APP唤起本地支付接口等多种支付渠道。支付产品可以是指交易所采用的产品,例如转账到户、转账到卡、AA收款、代付等等。这里,收款方信息可以包括收款方的账号、电话等等。收款方信息在预设时间段内出现次数的量级,可以是指收款方账号、电话等在近期(例如,一天、一周等等)所有交易中出现次数的量级。
继续以网络赌博为例,获取订单到完成支付有一个唤端过程,黑产订单与正常订单在该过程的技术链路有明显不同。例如,正常订单大多从商户APP跳转到支付平台,而黑产订单可能是从H5浏览器或者黑产APP跳转到支付平台。因此,对链路特征进行分析,可以帮助识别出网络赌博。
交易基本信息可以包括交易发起方的用户信息、历史交易行为等等。
步骤202,判断历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果。
在本实施例中,可以通过各种方式预先确定高危子序列,例如,可以由技术人员对现有的风险交易的端侧行为序列进行分析,从而得到高危子序列。确定高危子序列之后,可以判断上述历史交易记录中的各交易对应的端侧行为序列是否具有该高危子序列,从而得到第一判断结果,第一判断结果可以是具有高危子序列或者不具有高危子序列。
在一些可选的实现方式中,上述训练风险交易识别模型的方法还可以包括以下确定高危子序列的步骤,具体的:
步骤S1,基于风险交易和正常交易对应的端侧行为序列分别形成风险序列和正常序列。
本实现方式中,可以将风险交易对应的端侧行为序列作为风险序列,将正常交易对应的端侧行为序列作为正常序列。
步骤S2,对风险序列进行序列挖掘,得到至少一个频繁子序列。
在本实现方式中,可以采用各种序列挖掘算法,对风险序列进行序列挖掘,从而得到至少一个频繁子序列。这里,序列挖掘算法可以包括但不限于AprioriAll算法、GSP(Generalized Sequential Pattern Mining)算法、FreeSpan算法、PrefixSpan算法等等。
步骤S3,根据各频繁子序列在风险序列和正常序列的出现占比,从至少一个频繁子序列中确定频繁子序列作为高危子序列。
在本实现方式中,可以根据各个频繁子序列在风险序列和正常序列的出现占比,从至少一个频繁子序列中确定至少一个频繁子序列作为高危子序列。举例来说,对于各个频繁子序列,可以通过统计的方式确定该频繁子序列分别在风险序列和正常序列中出现的次数,并将在风险序列中较常出现(例如,出现次数超过预设阈值),在正常序列中极少出现(例如,出现次数小于预设阈值)的频繁子序列确定为与风险交易相关的高危子序列。实践中,可以将高危子序列看作是与风险交易相关的异常端侧用户行为。通过本实现方式,可以基于序列挖掘的方法确定高危子序列,从而使得到的高危子序列更加准确。
可选的,上述步骤S3还可以具体如下进行:首先,根据各频繁子序列在风险序列和正常序列的出现占比,确定各频繁子序列的信息值。然后,将对应信息值大于预设阈值的频繁子序列作为高危子序列。
在本实现方式中,对于至少一个频繁子序列中的每一个频繁子序列,可以根据风险序列的数量、风险序列中含该频繁子序列的风险序列的数量、正常序列的数量、正常序列中含该频繁子序列的正常序列的数量,计算该频繁子序列的IV值(Importance Value,信息值)。在机器学习的二分类问题中,IV值可以用来对输入变量进行编码和预测能力评估。特征变量IV值的大小可以表示该变量预测能力的强弱。在计算得到每一个频繁子序列对应的IV值之后,可以将该IV值与预先设定的阈值进行比较,并将大于该阈值的频繁子序列作为高危子序列。这里,阈值可以是根据实际需要人为设定的。
步骤203,判断历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果。
在本实施例中,可以通过各种方式预先确定至少一种高风险模式,例如,可以由技术人员对现有的风险交易的链路特征进行分析,从而得到高风险模式。确定高风险模式之后,可以判断上述历史交易记录中的各交易对应的链路特征是否符合该高风险模式,从而得到第二判断结果,第二判断结果可以是符合高风险模式或者不符合高风险模式。
在一些可选的实现方式中,上述训练风险交易识别模型的方法还可以包括以下确定高风险模式的步骤,具体的:
1)获取历史交易记录中各交易对应的链路特征。
在本实现方式中,可以获取多个历史交易中各个交易对应的链路特征。
2)在各交易对应的链路特征上进行归因分析,确定出至少一种交易模式作为高风险模式。
在本实现方式中,可以采用各种归因分析算法在交易对应的链路特征上进行归因分析,从而确定出至少一种交易模式作为高风险模式。这里,高风险模式对应的交易数量高于预设的数量阈值,且风险交易浓度高于预设的浓度阈值。风险交易浓度可以是指风险交易与全部交易的比值。这里,归因分析算法包括但不限于MicroHECL (High-EfficientRoot Cause Localization in Large-Scale Microservice Systems) 算法、Squeeze算法等等。其中,Squeeze算法是一种多维异常根因分析方法,出自论文“Generic and RobustLocalization of Multi-Dimensional Root Causes”。通过本实现方式,可以基于归因分析的方法确定高风险模式,从而使得到的高风险模式更加准确。
步骤204,基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本。
在本实施例中,基于历史交易记录中的各个交易对应的第一判断结果、第二判断结果和交易基本信息,可以构建各个交易对应的交易样本。
步骤205,基于各交易样本及其标签标注情况,训练风险交易识别模型。
在本实施例中,可以基于步骤204得到的各交易样本及其标签标注情况,训练风险交易识别模型。作为示例,可以采用半监督学习、监督学习等多种方式训练风险交易识别模型。举例来说,可以以GBDT(Gradient Boosting Decision Tree,梯度提升决策树)为基础模型,训练得到风险交易识别模型。例如,可以采用LightGBM(Light Gradient BoostingMachine)进行训练,其中,LightGBM是一个实现GBDT算法的框架。训练得到的风险交易识别模型为分类模型,风险交易识别模型可以用于识别某交易是否为风险交易。
在一些可选的实现方式中,可以采用半监督学习的方式,训练上述风险识别模型。具体的,可以将风险标签的标签值设置为第一数值,将无风险标签的标签值设置为第二数值,第一数值可以大于第二数值,举例来说,第一数值可以为1,第二数值可以为0。以及上述步骤205可以具体如下进行:
①,从风险交易对应的风险样本中选择部分样本作为伪装无标签样本。
在本实现方式中,可以将基于风险交易构建的交易样本作为风险样本,从多个风险样本中选取(例如随机选取)部分样本,得到伪装无标签样本,又可称为“间谍”样本。
②,至少基于剩余风险样本、正常交易对应的正常样本,训练得到第一模型。
在本实现方式中,可以采用多种方式训练得到第一模型,举例来说,可以基于剩余风险样本、以及正常交易对应的正常样本,训练得到第一模型。其中,剩余风险样本可以是指风险样本中除上述被选为间谍样本之外的样本。剩余风险样本的标签值为第一数值,正常样本的标签值为第二数值,基于此,可以采用监督学习的方式训练得到第一模型。
可选的,上述步骤②还可以具体如下进行:基于剩余风险样本、正常样本和无标签样本进行多轮(例如,2~3轮)自训练,得到第一模型。
这里,在自训练的过程中,不改变风险样本和正常样本的标签。举例来说,可以通过以下方式训练第一模型:a),基于剩余风险样本和正常样本训练模型,之后多次重复以下步骤b)和步骤c),每重复一次算作一轮自训练;b),使用最新训练得到的模型对无标签样本进行预测,将预测值作为无标签样本的标签;C),基于所有样本(包括风险样本、正常样本和将预测值作为标签的无标签样本)进一步训练模型,得到最新训练得到的模型。
③,使用第一模型对伪装无标签样本进行预测,确定预测得到的最低分值。
在本实现方式中,使用②中训练得到的第一模型对①中确定的伪装无标签样本进行预测,得到各个伪装无标签样本的预测值,并将最小的预测值确定为最低分值。由于,有风险标签的标签值为第一数值,无风险标签的标签值为第二数值,且第一数值大于第二数值,例如,第一数值为1,第二数值为0,因此,针对某一个样本的预测值越小表示该样本为正常样本的可能性越大。而实际上伪装无标签样本为风险样本,因此,可以假设如果某个无标签样本的预测值比最低分值还小,那该样本大概率为正常样本。
④,使用第一模型对其它交易对应的无标签样本进行预测,将预测值大于或等于最低分值的无标签样本的标签值设置为最低分值,将剩余的无标签样本的标签值设置为第二数值。
在本实现方式中,可以将基于其它交易构建的样本作为无标签样本,并使用第一模型对无标签样本进行预测,将预测值大于或者等于上述最低分值的无标签样本的标签值设置为上述最低分值,将剩余的无标签样本(即,预测值小于上述最低分值的无标签样本)的标签值设置为第二数值。
⑤,使用风险样本、正常样本、以及设置有标签值的无标签样本,对第一模型进行进一步的训练,得到风险交易识别模型。
在本实现方式中,可以使用标签值为第一数值的风险样本、标签值为第二数值的正常样本、以及设置有标签值的无标签样本,对第一模型进行进一步的训练,得到风险交易识别模型。举例来说,可以使用风险样本、正常样本和设置有标签值的无标签样本,对第一模型进行多轮(例如,4~5轮)自训练,得到风险交易识别模型。这里,在自训练的过程中,不改变风险样本和正常样本的标签。通过本实现方式,可以采用半监督学习的方式训练得到风险交易识别模型。
在另一些可选的实现方式中,可以采用监督学习的方式训练上述风险识别模型。具体的,上述步骤205可以具体如下进行:
I),基于风险交易被标记出的概率值,设置正样本和负样本中交易样本的权重值。
在本实现方式中,可以预先确定风险交易被标记出的概率值,之后基于该概率值设置正样本和负样本中交易样本的权重值。这里,正样本可以包括风险交易对应的交易样本,负样本包括风险交易、正常交易和其它交易对应的交易样本。
举例来说,假设正样本的标签为1,负样本标签为0,风险交易被标记出的概率值为e(x),则正样本包括风险交易对应的交易样本,权重为1/e(x);负样本包括风险交易、正常交易和其他样本对应的交易样本,权重分别为1-1/e(x)、1和1,即负样本中风险交易对应的样本权重为1-1/e(x),正常交易和其他交易对应的样本权重为1。也就是说,风险交易对应的交易样本在正样本和负样本中各有一份,权重不同。以一个风险交易A被标记出的概率值e(x)=0.1为例,e(x)=0.1表示仅有1/10的风险交易被真正标记出来,也就是说,除了A之外有9个风险交易未被标记出来,这些风险交易由于未被标记出来,因此被分类到其他交易中。由于将其他交易设置为权重为1的负样本,因此表示存在9个权重为 1的负样本,其实应该被算作正样本。因此,将A作为权重为1-1/0.1=-9的负样本,可以将上述9个样本的作用抵消,从而减少误差。
可选的,上述概率值可以是通过多种方式确定的,例如,可以是技术人员根据实际情况人工设定的一个值。又例如,可以是基于风险交易的被投诉结果统计得到的,比如,100个风险交易中有40个风险交易被投诉为风险交易,则概率值可以设置为40/100。再例如,还可以是使用预设的风险交易投诉预测模型对风险交易的预测结果进行统计分析(比如,计算预测结果的均值)得到的。这里,风险交易投诉预测模型可以是现有的、用于预测某个交易被投诉为风险交易的概率的各种模型。
II),使用带有权重的正样本和负样本,采用监督学习训练得到风险交易识别模型。
在本实现方式中,可以使用带有权重的正样本和负样本,采用监督学习的方式,训练得到风险交易识别模型。举例来说,在计算损失函数时,加入正样本和负样本的权重。通过本实现方式,可以采用监督学习的方式训练得到风险交易识别模型。
回顾以上过程,本说明书的实施例的训练风险交易识别模型的方法,基于交易对应的端侧行为序列、链路特征和交易基本信息构建交易样本,并基于交易样本训练风险交易识别模型,由此,可以使训练得到的风险交易识别模型在识别风险交易时,综合分析交易对应的端侧行为序列、链路特征和交易信息,从而使识别更加准确。
继续参见图3,图3示出了根据一个实施例的识别风险交易的方法,该方法中所使用的风险交易识别模型为基于图2所描述方法训练得到的。可以理解,图3所示方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图3所示,该识别风险交易的方法,可以包括以下步骤:
步骤301,判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果。
在本实施例中,目标交易为需要判断是否为风险交易的交易。举例来说,目标交易可以是商户实时产生的交易。首先可以确定目标交易的端侧行为序列,之后,判断目标交易对应的端侧行为序列是否具有预设的高危子序列,从而得到第三判断结果。其中,第三判断结果可以是具有高危子序列或者不具有高危子序列。
步骤302,判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果。
在本实施例中,还可以确定目标交易对应的链路特征,并判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果。其中,第四判断结果可以是符合高风险模式或者不符合高风险模式。
步骤303,将第三判断结果、第四判断结果和目标交易的交易基本信息输入预先训练的风险交易识别模型。
在本实施例中,可以将第三判断结果、第四判断结果和目标交易的交易基本信息,输入基于图2描述方法训练得到的风险交易识别模型,从而得到风险交易识别模型的输出结果。这里,交易基本信息可以包括但不限于交易发起方的用户信息、历史交易行为等等。
步骤304,根据风险交易识别模型的输出结果,判断目标交易是否为预设风险类型的交易。
在本实施例中,风险交易识别模型的输出结果可以为概率值,该概率值可以表示目标交易为预设风险类型(例如,网络赌博)的交易的概率。此时,根据该概率值可以判断目标交易是否为预设风险类型的交易。例如,可以将该概率值与预设阈值进行比较,如果大于该阈值,则确定目标交易为预设风险类型的交易。
回顾以上过程,本说明书实施例的识别风险交易的方法,在使用风险交易识别模型识别风险交易时,综合分析了目标交易对应的端侧行为序列、链路特征和交易基本信息等信息,从而使识别更加准确。
根据另一方面的实施例,提供了一种训练风险交易识别模型的装置。上述训练风险交易识别模型的装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。
图4示出了根据一个实施例的训练风险交易识别模型的装置的示意性框图。如图4所示,该训练风险交易识别模型的装置400包括:获取单元401,配置为获取历史交易记录,上述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;第一判断单元402,配置为判断上述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;第二判断单元403,配置为判断上述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;构建单元404,配置为基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;训练单元405,配置为基于各交易样本及其标签标注情况,训练风险交易识别模型。
在本实施例的一些可选的实现方式中,上述装置400还包括:形成单元(图中未示出),配置为基于风险交易和正常交易对应的端侧行为序列分别形成风险序列和正常序列;频繁子序列确定单元(图中未示出),配置为对风险序列进行序列挖掘,得到至少一个频繁子序列;高危子序列确定单元(图中未示出),配置为根据各频繁子序列在风险序列和正常序列的出现占比,从上述至少一个频繁子序列中确定频繁子序列作为上述高危子序列。
在本实施例的一些可选的实现方式中,上述高危子序列确定单元进一步配置为:根据各频繁子序列在风险序列和正常序列的出现占比,确定各频繁子序列的信息值;将对应信息值大于预设阈值的频繁子序列作为上述高危子序列。
在本实施例的一些可选的实现方式中,端侧行为序列是基于以下至少一种日志产生的:超级位置模型日志、远程过程调用日志、端侧安全系统日志。
在本实施例的一些可选的实现方式中,上述装置400还包括:链路特征获取单元(图中未示出),配置为获取历史交易记录中各交易对应的链路特征;高风险模式确定单元(图中未示出),配置为在各交易对应的链路特征上进行归因分析,确定出至少一种交易模式作为上述高风险模式,其中,高风险模式对应的风险交易数量与风险交易浓度分别高于所对应预设阈值。
在本实施例的一些可选的实现方式中,交易对应的链路特征包括以下中的至少一项:交易各跳转位置的特征、跳转次数、支付渠道、支付产品、订单商品名称、收款方信息在预设时间段内出现次数的量级。
在本实施例的一些可选的实现方式中,上述风险标签的标签值为第一数值,无风险标签的标签值为第二数值,上述第一数值大于第二数值;以及上述训练单元405进一步配置为:从风险交易对应的风险样本中选择部分样本作为伪装无标签样本;至少基于剩余风险样本、正常交易对应的正常样本,训练得到第一模型;使用上述第一模型对伪装无标签样本进行预测,确定预测得到的最低分值;使用上述第一模型对其他交易对应的无标签样本进行预测,将预测值大于或等于上述最低分值的无标签样本的标签值设置为上述最低分值,将剩余的无标签样本的标签值设置为第二数值;使用风险样本、正常样本、以及设置有标签值的无标签样本,对上述第一模型进行进一步训练,得到风险交易识别模型。
在本实施例的一些可选的实现方式中,上述至少基于剩余风险样本、正常交易对应的正常样本,训练得到第一模型,包括:基于剩余风险样本、正常样本和无标签样本进行自训练,得到上述第一模型。
在本实施例的一些可选的实现方式中,上述训练单元405进一步配置为:基于风险交易被标记出的概率值,设置正样本和负样本中交易样本的权重值,其中,正样本包括风险交易对应的交易样本,负样本包括风险交易、正常交易和其他交易对应的交易样本;使用带有权重的正样本和负样本,采用监督学习训练得到风险交易识别模型。
在本实施例的一些可选的实现方式中,上述概率值是基于风险交易的被投诉结果统计得到的,或者使用预设的风险交易投诉预测模型对风险交易的预测结果进行统计分析得到的。
在本实施例的一些可选的实现方式中,上述正常交易为通过商户官方应用完成的交易,上述其他交易为除风险交易和正常交易之外的交易。
根据另一方面的实施例,提供了一种识别风险交易的装置。上述识别风险交易的装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。
图5示出了根据一个实施例的识别风险交易的装置的示意性框图。如图5所示,该识别风险交易的装置500包括:第三判断单元501,配置为判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果;第四判断单元502,配置为判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果;输入单元503,配置为将上述第三判断结果、第四判断结果和上述目标交易的交易基本信息输入预先训练的风险交易识别模型;风险交易判断单元504,配置为根据上述风险交易识别模型的输出结果,判断上述目标交易是否为预设风险类型的交易。
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,当上述计算机程序在计算机中执行时,令计算机执行图2或者图3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,其特征在于,上述存储器中存储有可执行代码,上述处理器执行上述可执行代码时,实现图2或者图3所描述的方法。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种训练风险交易识别模型的方法,包括:
获取历史交易记录,所述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;
判断所述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;
判断所述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;
基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;
基于各交易样本及其标签标注情况,训练风险交易识别模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
基于风险交易和正常交易对应的端侧行为序列分别形成风险序列和正常序列;
对风险序列进行序列挖掘,得到至少一个频繁子序列;
根据各频繁子序列在风险序列和正常序列的出现占比,从所述至少一个频繁子序列中确定频繁子序列作为所述高危子序列。
3.根据权利要求2所述的方法,其中,所述根据各频繁子序列在风险序列和正常序列的出现占比,从所述至少一个频繁子序列中确定频繁子序列作为所述高危子序列,包括:
根据各频繁子序列在风险序列和正常序列的出现占比,确定各频繁子序列的信息值;
将对应信息值大于预设阈值的频繁子序列作为所述高危子序列。
4.根据权利要求1所述的方法,其中,端侧行为序列是基于以下至少一种日志产生的:超级位置模型日志、远程过程调用日志、端侧安全系统日志。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述历史交易记录中各交易对应的链路特征;
在各交易对应的链路特征上进行归因分析,确定出至少一种交易模式作为所述高风险模式,其中,高风险模式对应的风险交易数量与风险交易浓度分别高于所对应预设阈值。
6.根据权利要求1所述的方法,其中,交易对应的链路特征包括以下中的至少一项:交易各跳转位置的特征、跳转次数、支付渠道、支付产品、订单商品名称、收款方信息在预设时间段内出现次数的量级。
7.根据权利要求1所述的方法,其中,所述风险标签的标签值为第一数值,无风险标签的标签值为第二数值,所述第一数值大于第二数值;以及
所述基于各交易样本及其标签标注情况,训练风险交易识别模型,包括:
从风险交易对应的风险样本中选择部分样本作为伪装无标签样本;
至少基于剩余风险样本、正常交易对应的正常样本,训练得到第一模型;
使用所述第一模型对伪装无标签样本进行预测,确定预测得到的最低分值;
使用所述第一模型对其他交易对应的无标签样本进行预测,将预测值大于或等于所述最低分值的无标签样本的标签值设置为所述最低分值,将剩余的无标签样本的标签值设置为第二数值;
使用风险样本、正常样本、以及设置有标签值的无标签样本,对所述第一模型进行进一步训练,得到风险交易识别模型。
8.根据权利要求7所述的方法,其中,所述至少基于剩余风险样本、正常交易对应的正常样本,训练得到第一模型,包括:
基于剩余风险样本、正常样本和无标签样本进行自训练,得到所述第一模型。
9.根据权利要求1所述的方法,其中,所述基于各交易样本及其标签标注情况,训练风险交易识别模型,包括:
基于风险交易被标记出的概率值,设置正样本和负样本中交易样本的权重值,其中,正样本包括风险交易对应的交易样本,负样本包括风险交易、正常交易和其他交易对应的交易样本;
使用带有权重的正样本和负样本,采用监督学习训练得到风险交易识别模型。
10.根据权利要求9所述的方法,其中,所述概率值是基于风险交易的被投诉结果统计得到的,或者使用预设的风险交易投诉预测模型对风险交易的预测结果进行统计分析得到的。
11.根据权利要求1所述的方法,其中,所述正常交易为通过商户官方应用完成的交易,所述其他交易为除风险交易和正常交易之外的交易。
12.一种识别风险交易的方法,包括:
判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果;
判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果;
将所述第三判断结果、第四判断结果和所述目标交易的交易基本信息输入预先训练的风险交易识别模型;
根据所述风险交易识别模型的输出结果,判断所述目标交易是否为预设风险类型的交易。
13.一种训练风险交易识别模型的装置,包括:
获取单元,配置为获取历史交易记录,所述历史交易记录中包括:标注有风险标签的风险交易,标注有无风险标签的正常交易,以及无标签的其他交易;
第一判断单元,配置为判断所述历史交易记录中各交易对应的端侧行为序列是否具有预设的高危子序列,得到第一判断结果;
第二判断单元,配置为判断所述历史交易记录中各交易对应的链路特征是否符合预设的高风险模式,得到第二判断结果;
构建单元,配置为基于各交易对应的第一判断结果、第二判断结果、以及交易基本信息,构建各交易样本;
训练单元,配置为基于各交易样本及其标签标注情况,训练风险交易识别模型。
14.一种识别风险交易的装置,包括:
第三判断单元,配置为判断目标交易对应的端侧行为序列是否具有预设的高危子序列,得到第三判断结果;
第四判断单元,配置为判断目标交易对应的链路特征是否符合预设的高风险模式,得到第四判断结果;
输入单元,配置为将所述第三判断结果、第四判断结果和所述目标交易的交易基本信息输入预先训练的风险交易识别模型;
风险交易判断单元,配置为根据所述风险交易识别模型的输出结果,判断所述目标交易是否为预设风险类型的交易。
15.一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1-12中任一项所述的方法。
16.一种计算设备,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1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119317.1A CN114549001A (zh) | 2022-02-08 | 2022-02-08 | 训练风险交易识别模型、识别风险交易的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119317.1A CN114549001A (zh) | 2022-02-08 | 2022-02-08 | 训练风险交易识别模型、识别风险交易的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549001A true CN114549001A (zh) | 2022-05-27 |
Family
ID=81674244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210119317.1A Pending CN114549001A (zh) | 2022-02-08 | 2022-02-08 | 训练风险交易识别模型、识别风险交易的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549001A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147227A (zh) * | 2022-08-29 | 2022-10-04 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的检测方法、装置及设备 |
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN116029808A (zh) * | 2023-03-23 | 2023-04-28 | 北京芯盾时代科技有限公司 | 一种风险识别模型训练方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160042355A1 (en) * | 2014-08-06 | 2016-02-11 | Alibaba Group Holding Limited | Method and Apparatus of Identifying a Transaction Risk |
CN106548302A (zh) * | 2016-12-01 | 2017-03-29 | 携程旅游信息技术(上海)有限公司 | 互联网交易的风险识别方法及系统 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
WO2019015461A1 (zh) * | 2017-07-18 | 2019-01-24 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN109934706A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的交易风险控制方法、装置以及设备 |
US20200210899A1 (en) * | 2017-11-22 | 2020-07-02 | Alibaba Group Holding Limited | Machine learning model training method and device, and electronic device |
US20210166140A1 (en) * | 2018-12-13 | 2021-06-03 | Advanced New Technologies Co., Ltd. | Method and apparatus for training risk identification model and server |
-
2022
- 2022-02-08 CN CN202210119317.1A patent/CN114549001A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160042355A1 (en) * | 2014-08-06 | 2016-02-11 | Alibaba Group Holding Limited | Method and Apparatus of Identifying a Transaction Risk |
CN106548302A (zh) * | 2016-12-01 | 2017-03-29 | 携程旅游信息技术(上海)有限公司 | 互联网交易的风险识别方法及系统 |
WO2019015461A1 (zh) * | 2017-07-18 | 2019-01-24 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
US20200210899A1 (en) * | 2017-11-22 | 2020-07-02 | Alibaba Group Holding Limited | Machine learning model training method and device, and electronic device |
CN109934706A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的交易风险控制方法、装置以及设备 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
US20210166140A1 (en) * | 2018-12-13 | 2021-06-03 | Advanced New Technologies Co., Ltd. | Method and apparatus for training risk identification model and server |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN115170304B (zh) * | 2022-06-22 | 2023-03-28 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN115147227A (zh) * | 2022-08-29 | 2022-10-04 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的检测方法、装置及设备 |
CN115147227B (zh) * | 2022-08-29 | 2022-12-27 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的检测方法、装置及设备 |
CN116029808A (zh) * | 2023-03-23 | 2023-04-28 | 北京芯盾时代科技有限公司 | 一种风险识别模型训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345260B (zh) | 一种异常操作行为的检测方法 | |
CN114549001A (zh) | 训练风险交易识别模型、识别风险交易的方法和装置 | |
CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
CN112837069A (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
CN111931189A (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN115438821A (zh) | 一种智能排队方法和相关装置 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN114091684A (zh) | 增强业务结果可解释性的方法及装置 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN113434855A (zh) | 一种安全事件的处理方法及装置、可读存储介质 | |
CN112330355A (zh) | 消费券交易数据处理方法、装置、设备及存储介质 | |
CN111582878A (zh) | 一种交易风险预测方法、装置及系统 | |
CN111489165B (zh) | 目标对象的数据处理方法、装置和服务器 | |
CN112199573B (zh) | 一种非法交易主动探测方法及系统 | |
CN113052604A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
CN109685662A (zh) | 投资数据处理方法、装置、计算机设备及其存储介质 | |
CN110852854A (zh) | 一种量化收益模型的生成方法和风险控制策略的评价方法 | |
CN116405287B (zh) | 工控系统网络安全评估方法、设备和介质 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
RU2419155C1 (ru) | Система минимизации рисков | |
CN116645105A (zh) | 一种账户安全复核方法、装置、设备及存储介质 |
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 |