CN114757788A - 用户交易行为识别方法及装置 - Google Patents
用户交易行为识别方法及装置 Download PDFInfo
- Publication number
- CN114757788A CN114757788A CN202210295675.8A CN202210295675A CN114757788A CN 114757788 A CN114757788 A CN 114757788A CN 202210295675 A CN202210295675 A CN 202210295675A CN 114757788 A CN114757788 A CN 114757788A
- Authority
- CN
- China
- Prior art keywords
- transaction behavior
- transaction
- user
- behavior information
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 417
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000004884 risky behavior Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明公开了一种用户交易行为识别方法及装置，涉及人工智能技术领域，其中该方法包括：获取目标用户的多维交易行为信息；应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；输出所述交易行为识别结果。本发明可以提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及用户交易行为识别方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术尤其是移动互联网技术的不断发展，越来越多银行用户通过网上银行获取服务，使得网银系统的访问量和数据量也越来越多；资金风险是银行始终考虑的问题，欺诈、盗窃、伪造等风险交易行为不断向网银系统渗透，容易造成银行的经济损失等。
目前，通常使用单一规则来识别用户的风险交易行为；比如凌晨四点使用系统、交易金额千万以上等进行预报；预先存储一系列可能有风险的行为，一旦客户触发其中一条行为就进行预警；仅考虑单一规则，如果用户的某个独立行为满足一条规则，就发出预警风险；未对用户行为进行整体分析，风险交易行为识别的准确性较低。
发明内容
本发明实施例提供一种用户交易行为识别方法，用以提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性，该方法包括：
获取目标用户的多维交易行为信息；
应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；
输出所述交易行为识别结果。
进一步地，在所述应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果之前，还包括：
获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息；
应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
进一步地，所述应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，包括：
应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型；
根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型；
根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；
所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
进一步地，所述的用户交易行为识别方法，还包括：
获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为；
应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型；
根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
进一步地，在所述确定所述目标用户的交易行为识别结果之后，还包括：
判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
本发明实施例还提供一种用户交易行为识别装置，用以提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性，该装置包括：
获取模块，用于获取目标用户的多维交易行为信息；
识别模块，用于应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；
输出模块，用于输出所述交易行为识别结果。
进一步地，在所述应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果之前，还包括：
第一获取历史数据模块，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息；
第一训练模块，用于应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
进一步地，所述识别模块包括：
第一确定单元，用于应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型；
第二确定单元，用于根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型；
识别单元，用于根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；
所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
进一步地，所述的用户交易行为识别装置，还包括：
第二获取历史数据模块，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为；
第二训练模块，用于应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型；
第三训练模块，用于根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
进一步地，所述的用户交易行为识别装置，还包括：
预警模块，用于判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
本发明实施例还提供一种计算机设备，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上述用户交易行为识别方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用户交易行为识别方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述用户交易行为识别方法。
本发明实施例中的用户交易行为识别方法及装置，与现有技术中通常使用单一规则来识别用户的风险交易行为的技术方案相比，通过获取目标用户的多维交易行为信息；应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；输出所述交易行为识别结果，可以实现提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性；具体地，利用互联网技术和机器学习大规模分析用户行为信息，使风险识别能力有显著提高。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请实施例中的用户交易行为识别方法的流程示意图；
图2是本申请实施例中的用户交易行为识别方法的步骤021至步骤022的流程示意图；
图3是本申请另一实施例中的信用风险评估方法的流程示意图；
图4是本申请实施例中的用户交易行为识别方法的步骤001至步骤003的流程示意图；
图5是本申请实施例中的信用风险评估装置的结构示意图；
图6是本申请另一实施例中的信用风险评估装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了便于对本方案的理解，首先，对与本方案相关的技术内容进行说明。
机器学习：是一种涉及概率论、统计学、逼近论、等多领域交叉的学科，专门研究计算机怎样模拟或者实现人类的学习行为，已获得新的知识或技能，是人工智能的核心。
XGBoost：是一种在Gradient Boosting框架下实现的机器学习算法，基于决策树实现分类、回归的能力。
网银：网上银行又称网络银行、在线银行或电子银行，是各银行在互联网中设立的虚拟柜台，银行利用网络技术，通过互联网向客户提供查询、对账、转账、支付、信贷、理财等服务，使客户在网络条件具备的情况下随时随地享受银行服务。
用户在使用网银过程中产生各种行为信息，比如，登录IP、使用时间、交易类型、交易对象、资金额度等数十种基础行为信息，并且能够衍生出交易频次和转账偏好等数百种特征数据。这些数据能够体现出各种各样的行为特点或者使用习惯。
某些恶意行为或者风险行为，比如，频繁异地登录，向大量陌生账户转移小额资金、突然出现购买基金债券等等也会形成具有风险的行为特征；业务人员主动识别风险行为或者接到用户投诉之后，在解决实际问题后可以做经验积累，标识此类用户或者风险行为；本方案考虑将识别交易行为风险看作一种分类问题，利用XGBoost搭建识别模型，训练机器学习能力；面对海量用户行为数据，机器学习结合互联网技术能够快速地处理数据，帮助网银系统实现用户交易行为风险判别；可以统筹考虑用户的各种行为，突破单一行为的条件，综合考虑复杂的行为因子；可以引入业务识别机制，业务主动识别或者事后标识具有风险的用户，不断随着外界变化更新规则；可以应用分类思想来对用户行为进行管理，从单一的是否预警变成多层次的风险判别。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
为了提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性，本实施例提供一种执行主体是用户交易行为识别装置的用户交易行为识别方法，该用户交易行为识别装置包括但不限于服务器，如图1所示，该方法具体包含有如下内容：
步骤100：获取目标用户的多维交易行为信息。
具体地，从一数据库中获得目标用户的多维交易行为信息，该数据库可以是用户交易行为识别装置本地数据库，也可以是一单独服务器中的数据库；所述多维交易行为信息可以由多个行为因子组成，行为因子可以为登录IP、使用时间、交易类型、交易对象、资金额度、交易频次和转账偏好等；可以根据实际需要选取合适的行为因子；允许动态地选择不同场景的用户行为因子作为分析的因素。
步骤200：应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为。
具体地，可以将多维交易行为信息输入预设的交易行为识别模型，将该预设的交易行为识别模型的输出确定为所述目标用户的交易行为识别结果；所述多维历史交易行为信息可以是历史用户当前时间点之前的交易行为信息；所述实际交易行为信息为多维历史交易行为信息对应的真实的交易行为，可以由经验丰富的业务人员准确判别历史用户真实的交易行为，这些准确的数据能够训练出性能更好的交易行为识别模型；可以在用户使用网银时，按照多种维度因子记录交易行为信息，并且作为XGBoost识别模型即上述交易行为识别模型的输入，利用模型计算出交易行为风险。
步骤300：输出所述交易行为识别结果。
具体地，可以将所述交易行为识别结果输出至业务人员的终端设备显示。
为了进一步说明本方案，本申请提供一种用户交易行为识别方法的应用实例，具体描述如下：
搭建交易行为识别机制；按照一定规则记录每一位用户使用网银过程中生成的交易行为信息，包括基础信息和衍生信息；搭建业务标识机制，业务人员通过标识机制来标识具有风险行为的用户；搭建XGBoost识别模型；利用业务的标识数据训练XGBoost识别模型，并且随着标识数据的更新不断训练模型；搭建风险识别机制；利用交易行为信息和XGBoost识别模型来分析用户的行为数据，并且输出风险判别信息。
为了提高交易行为识别模型的可靠性，进而应用可靠的交易行为识别模型提高用户交易行为识别的准确性，参见图2，在本申请一个实施例中，在步骤200之前，还包括：
步骤021：获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息。
步骤022：应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
具体地，业务人员可以按照自我经验、用户反馈信息来识别具有风险行为的用户，利用这些数据训练XGBoost识别模型；随着训练数据、用户行为信息越来越多，XGBoost识别模型越来越可靠。
为了进一步提高用户交易行为识别的准确性，参见图3，在本申请一个实施例中，所述步骤200包括：
步骤201：应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型。
具体地，所述用户类型可以是商家用户、投资用户和常规用户类型等。
步骤202：根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型。
具体地，不同的用户类型可以对应不同的交易行为识别子模型。
步骤203：根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
为了提高用户分类子模型和交易行为识别子模型的可靠性，参见图4，在本申请一个实施例中，所述的用户交易行为识别方法，还包括：
步骤001：获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为。
具体地，所述实际用户类型可以表示多维历史交易行为信息对应的真实用户类型。
步骤002：应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型。
步骤003：根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
为了实时对风险交易进行预警，提高交易过程的安全性，在本申请一个实施例中，在步骤200之后还包括：
步骤400：判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
本发明实施例中还提供了一种用户交易行为识别装置，如下面的实施例所述。由于该装置解决问题的原理与用户交易行为识别方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图5所示，本申请提供一种用户交易行为识别装置的实施例，具体包含有：
获取模块10，用于获取目标用户的多维交易行为信息；
识别模块20，用于应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；
输出模块30，用于输出所述交易行为识别结果。
如图6所示，在本申请一个实施例中，所述的用户交易行为识别装置还包括：
第一获取历史数据模块40，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息；
第一训练模块50，用于应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
在本申请一个实施例中，所述识别模块包括：
第一确定单元，用于应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型；
第二确定单元，用于根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型；
识别单元，用于根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；
所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
在本申请一个实施例中，所述的用户交易行为识别装置还包括：
第二获取历史数据模块，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为；
第二训练模块，用于应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型；
第三训练模块，用于根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
在本申请一个实施例中，所述的用户交易行为识别装置还包括：
预警模块，用于判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
本发明实施例还提供一种计算机设备，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上述用户交易行为识别方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用户交易行为识别方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述用户交易行为识别方法。
本发明实施例中的用户交易行为识别方法及装置，与现有技术中通常使用单一规则来识别用户的风险交易行为的技术方案相比，通过获取目标用户的多维交易行为信息；应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；输出所述交易行为识别结果，可以实现提高用户交易行为识别的准确性和全面性，进而保证交易过程的安全性；具体地，利用互联网技术和机器学习大规模分析用户行为信息，使风险识别能力有显著提高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例，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例而已，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 (13)
1.一种用户交易行为识别方法，其特征在于，包括：
获取目标用户的多维交易行为信息；
应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；
输出所述交易行为识别结果。
2.根据权利要求1所述的用户交易行为识别方法，其特征在于，在所述应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果之前，还包括：
获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息；
应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
3.根据权利要求1所述的用户交易行为识别方法，其特征在于，所述应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，包括：
应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型；
根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型；
根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；
所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
4.根据权利要求3所述的用户交易行为识别方法，其特征在于，还包括：
获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为；
应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型；
根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
5.根据权利要求1所述的用户交易行为识别方法，其特征在于，在所述确定所述目标用户的交易行为识别结果之后，还包括：
判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
6.一种用户交易行为识别装置，其特征在于，包括：
获取模块，用于获取目标用户的多维交易行为信息；
识别模块，用于应用预设的交易行为识别模型和所述多维交易行为信息，确定所述目标用户的交易行为识别结果，所述预设的交易行为识别模型是根据批量多维历史交易行为信息及其各自对应的实际交易行为信息对机器学习算法预先训练得到的，所述交易行为识别结果为风险交易行为或者正常交易行为；
输出模块，用于输出所述交易行为识别结果。
7.根据权利要求6所述的用户交易行为识别装置，其特征在于，还包括：
第一获取历史数据模块，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息，该实际交易行为信息为风险交易行为或者正常交易行为信息；
第一训练模块，用于应用批量多维历史交易行为信息及其各自对应的实际交易行为识别结果对XGBoost算法进行训练，得到所述交易行为识别模型。
8.根据权利要求6所述的用户交易行为识别装置，其特征在于，所述识别模块包括：
第一确定单元，用于应用预设的用户分类子模型和所述多维交易行为信息，确定所述目标用户的用户类型；
第二确定单元，用于根据所述目标用户的用户类型，确定所述目标用户对应的预设的交易行为识别子模型；
识别单元，用于根据所述预设的交易行为识别子模型和多维交易行为信息，确定所述目标用户的交易行为识别结果；
所述预设的交易行为识别模型包括：预设的用户分类子模型和多个预设的交易行为识别子模型。
9.根据权利要求8所述的用户交易行为识别装置，其特征在于，还包括：
第二获取历史数据模块，用于获取批量多维历史交易行为信息及其各自对应的实际交易行为信息和实际用户类型，该实际交易行为信息为风险交易行为或者正常交易行为；
第二训练模块，用于应用批量多维历史交易行为信息及其各自对应实际用户类型对XGBoost算法进行训练，得到所述用户分类子模型；
第三训练模块，用于根据实际用户类型相同的多维历史交易行为信息及其各自对应的实际交易行为信息对XGBoost算法进行训练，得到该实际用户类型对应的交易行为识别子模型。
10.根据权利要求6所述的用户交易行为识别装置，其特征在于，还包括：
预警模块，用于判断所述交易行为识别结果是否为风险交易行为，若是，则输出所述风险交易行为对应的预警信息。
11.一种计算机设备，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5任一项所述的用户交易行为识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的用户交易行为识别方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的用户交易行为识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295675.8A CN114757788A (zh) | 2022-03-24 | 2022-03-24 | 用户交易行为识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295675.8A CN114757788A (zh) | 2022-03-24 | 2022-03-24 | 用户交易行为识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114757788A true CN114757788A (zh) | 2022-07-15 |
Family
ID=82328015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210295675.8A Pending CN114757788A (zh) | 2022-03-24 | 2022-03-24 | 用户交易行为识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114757788A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130116A1 (en) * | 2016-07-01 | 2019-05-02 | Alibaba Group Holding Limited | Method and device for controlling data risk |
| CN111160745A (zh) * | 2019-12-23 | 2020-05-15 | 中国建设银行股份有限公司 | 用户账户数据的处理方法及装置 |
| CN111523604A (zh) * | 2020-04-27 | 2020-08-11 | 中国银行股份有限公司 | 一种用户分类的方法和相关装置 |
| CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
| CN114049206A (zh) * | 2021-11-11 | 2022-02-15 | 中国工商银行股份有限公司 | 交易数据处理方法及装置 |
-
2022
- 2022-03-24 CN CN202210295675.8A patent/CN114757788A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130116A1 (en) * | 2016-07-01 | 2019-05-02 | Alibaba Group Holding Limited | Method and device for controlling data risk |
| CN111160745A (zh) * | 2019-12-23 | 2020-05-15 | 中国建设银行股份有限公司 | 用户账户数据的处理方法及装置 |
| CN111523604A (zh) * | 2020-04-27 | 2020-08-11 | 中国银行股份有限公司 | 一种用户分类的方法和相关装置 |
| CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
| CN114049206A (zh) * | 2021-11-11 | 2022-02-15 | 中国工商银行股份有限公司 | 交易数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
| US10698795B2 (en) | Virtual payments environment | |
| CN110992167B (zh) | 银行客户业务意图识别方法及装置 | |
| CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
| US20190392295A1 (en) | Information processing device, method, and program that use deep learning | |
| CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
| CN110852761B (zh) | 制定反作弊策略的方法、装置及电子设备 | |
| CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
| CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
| CN112330355A (zh) | 消费券交易数据处理方法、装置、设备及存储介质 | |
| CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN113781056A (zh) | 预测用户欺诈行为的方法及装置 | |
| US11488185B2 (en) | System and method for unsupervised abstraction of sensitive data for consortium sharing | |
| CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
| CN117094764A (zh) | 银行积分处理方法及装置 | |
| CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
| CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
| JP7549423B2 (ja) | コンソーシアム共有のための機密データの教師なし抽象化のためのシステム及び方法 | |
| CN114757788A (zh) | 用户交易行为识别方法及装置 | |
| CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
| CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 | |
| US20210133644A1 (en) | System and method for unsupervised abstraction of sensitive data for consortium sharing | |
| CN112634061A (zh) | 一种用户数据处理方法及装置 | |
| 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 |
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 |