CN114787846A - 用于评估商家声誉的方法和系统 - Google Patents

用于评估商家声誉的方法和系统 Download PDF

Info

Publication number
CN114787846A
CN114787846A CN201980101740.5A CN201980101740A CN114787846A CN 114787846 A CN114787846 A CN 114787846A CN 201980101740 A CN201980101740 A CN 201980101740A CN 114787846 A CN114787846 A CN 114787846A
Authority
CN
China
Prior art keywords
merchant
transaction
risk
risk score
score
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
Application number
CN201980101740.5A
Other languages
English (en)
Inventor
L.王
D.盖尔达
R.克里斯坦森
W.张
H.杨
Y.郑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Visa International Service Association
Original Assignee
Visa International Service Association
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Visa International Service Association filed Critical Visa International Service Association
Publication of CN114787846A publication Critical patent/CN114787846A/zh
Pending legal-status Critical Current

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Security & Cryptography (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

系统和方法可以以更连续的度量尺度而不是二进制分类来评估商家风险等级。这可以产生与商家有风险的可能性成正比的连续风险得分，从而有效地解决传统黑名单方法所遇到的灰色阴影问题。所述连续风险得分特征提供更大的灵活性，因为它允许支付网络基于所述商家风险等级作出动态定价决策(被称为互换优化)。使用来自跨支付网络的交易的集体情报，所述系统和方法能够以高准确性评估所述商家风险等级。所述系统和方法可能对于交易量较低的小型商家特别有利，因为即使少数欺诈性交易也可容易地将它们置于高风险商家类别中。此外，所述系统和方法可以帮助支付处理网络对跨境交易作出更好的决策。

Description

用于评估商家声誉的方法和系统
背景技术
对于商家，尤其是对于在线零售商，支付欺诈是一个严重且日益严重的问题。除财务成本之外，欺诈和/或退款还会影响商家声誉且增加客户流失。此外，过多的退款可能导致商家被置于被称为MATCH-控制高风险商家的万事达卡警报(MasterCard Alert toControl High-risk Merchants)的监视列表上。一旦商家被置于MATCH上，其可能会在监视列表上保留5年。被置于MATCH上可能会严重损害商家。它不仅在商家账户终止之后进行，而且还可用以通知其它收单银行该业务存在严重问题。因此，被添加到监视列表中通常会导致商家的支付处理能力的终结，因为商家在任何情况下都极难找到新的收单银行。
商家可能知道后果，但缺乏资金和资源来打击欺诈性交易和/或退款。交易量较低的小型商家尤其面临风险，因为他们无法访问相当大部分的跨支付网络的交易以开发有效的欺诈检测解决方案。因此，需要开发可以精确评估商家风险等级的动态且可靠的系统。
发明内容
描述一种系统和方法，所述系统和方法可以在无辜商家受到非法欺诈者攻击时或在无辜商家被置于MATCH监视列表上之前评估自适应风险得分并提醒所述无辜商家。所述系统和方法可具有以下贡献：
●近实时：关于欺诈和退款交易百分比的详细统计数据可能无法被商家立即知晓，因为退款过程可能需要一至六个月来完成。因此，非常常见，在商家被收单银行告知之前，他们可能不知道这些退款和欺诈。并且，考虑到欺诈性活动的时间性质，先前的低风险商家可能由于欺诈攻击的突发而在短期内变成高风险商家，然后又回落到欺诈和/或退款的正常等级。所提出的系统和方法可以是动态的，因为它可以近实时地评估商家风险等级，并向商家提供预警通知。
●连续对比离散：所述系统和方法可以改进将商家分类为两个组：低风险和高风险的传统方法。所提出的系统和方法能够评估与商家有风险的可能性成正比的连续风险得分，从而有效地解决传统黑名单方法中遇到的‘灰色阴影’问题。连续风险得分可以为支付处理网络提供更大的灵活性，因为它允许网络作出动态定价决策(被称为互换优化)。举例来说，网络可以决定向交易风险较高的商家收取较高的互换费。
●可靠性：所述系统和方法可以基于商家跨整个支付网络的集体交易行为来评估商家风险等级。用户交易时，来自用户的每笔交易不仅可以基于与当前商家相关联的信息来评分，而且还可以基于与先前商家相关联的信息来评分。商家风险等级可通过汇总特定商家处发生的所有交易的风险得分而获得。因此，获得的商家风险等级可能是非常可靠的，这可能对交易量较低的小型商家特别有利，因为即使少数欺诈性交易也可容易地将它们推入高风险商家类别。
此外，所述系统和方法可以帮助支付处理网络对跨境交易作出更好的决策。例如中国和俄罗斯等一些国家中的商家没有义务报告欺诈性交易。使用来自报告欺诈的商家处的过去用户交易的集体情报，所述系统和方法可以评估不报告欺诈的商家的风险等级。
因此，所述系统和方法可以以更连续的度量尺度而不是二进制分类来评估商家风险等级。这可以产生与商家有风险的可能性成正比的连续风险得分，从而有效地解决传统黑名单方法所遇到的灰色阴影问题。所述连续风险得分特征提供更大的灵活性，因为它允许支付网络基于所述商家风险等级作出动态定价决策(被称为互换优化)。使用来自跨支付网络的交易的集体情报，所述系统和方法能够以高准确性评估所述商家风险等级。所述系统和方法可能对于交易量较低的小型商家特别有利，因为即使少数欺诈性交易也可容易地将它们置于高风险商家类别中。此外，所述系统和方法可以帮助支付处理网络对跨境交易作出更好的决策。
附图说明
图1可以是系统中使用的计算机的图示；
图2可以是可以是系统的一部分且可执行所述方法的计算元件的图示；
图3可以是由所述方法进行的框的流程图；
图4可示出实例RNN模型架构；
图5可示出周期性汇总的以每小时为基础的数据集合；
图6可示出初始数据集；
图7A可示出训练集的旋转；
图7B可示出训练集的旋转；
图8可示出点异常，其中可以在曲线图中看到单个尖峰805；
图9可示出得分移位905(从低到高)，随后为两个尖峰；并且
图10可示出风险得分1005的突然跳升，并得分在一段时间内保持较高。
所属领域的普通技术人员将了解，为了简单和清晰起见而示出图中的元件，因此并未示出所有连接和选项，以避免模糊本发明的各方面。例如，通常不描绘在商业上可行的实施例中有用或必要的常见但很好理解的元件，以便有助于不大受妨碍地查看本公开的这些各种实施例。应进一步了解，可以特定的发生次序描述或描绘某些动作和/或步骤，而所属领域的技术人员应理解，实际上不要求此类关于顺序的特定性。还应理解，本文中所用的术语和表达相对于其对应的相应查询和研究领域来进行定义，除非本文中已经另外阐述了特定含义。
具体实施方式
现在将参考附图来更全面地描述本公开，附图形成本公开的一部分且以图解方式示出具体示范性实施例，本公开可通过所述实施例实践。这些图示和示范性实施例的呈现应理解为，本公开为范例，且并非意图限于所示实施例中的任一个。本公开可以许多不同形式体现，且不应被理解为限于本文中阐述的实施例；实际上，提供这些实施例以使本公开透彻和完整，且将使本公开的范围完全传达给所属领域的技术人员。此外，本公开可以体现为方法或装置。因此，本公开可以采取完全硬件实施例、完全软件实施例或组合了软件和硬件方面的实施例的形式。因此，以下详细描述不应被视为具有限制意义。
系统100可包括链接一个或多个系统以及计算机组件的计算机网络102。在一些实施例中，系统100包括用户计算装置104、商家计算机系统106、支付网络系统108和交易分析系统110。
网络102可以被不同地描述为通信链路、计算机网络、因特网连接等。系统100可包括存储在有形存储器和专用硬件组件或模块上的各种软件或计算机可执行指令或组件，其采用实际应用中的软件和指令来管理用于交易的网络节点，如本文所描述。
各种模块可以实施为含有计算机可读指令(即，软件)的计算机可读存储装置存储器，用于由专用或唯一计算装置内的系统100的一个或多个处理器执行。模块可执行各种任务、步骤、方法、块等，如本文所描述。系统100还可包括硬件和软件应用程序两者，以及用于在各种专用和唯一硬件和软件组件之间传送数据的各种数据通信信道。
通常认为网络包括硬件、数据和其它实体的互连和互操作。计算机网络或数据网络是允许节点共享资源的数字电信网络。在计算机网络中，计算装置使用节点之间的连接，例如数据链路，彼此交换数据。例如，硬件网络可包括图形拓扑中的客户端、服务器和中间节点(例如，用户计算机系统104、商家计算机系统106、支付网络系统108和交易分析系统110)。以类似的方式，数据网络可包括图形拓扑中的数据节点，其中每个节点包括相关或链接的信息、软件方法和其它数据。可管理例如移动计算装置104的节点以基于系统100的各种其它节点的数据和指令来促进与系统(例如，商家计算机系统)的其它节点的交易。
应注意，如在整个本申请案中所使用的术语“服务器”一般是指计算机、其它装置、程序或其组合，其包括处理器和存储器以处理和响应远程用户/节点跨越通信网络的请求。服务器将其信息发送到请求“客户端”。如本文使用的术语“客户端”通常是指能够处理和发出请求以及获得和处理来自通过通信或数据网络的服务器的任何响应的计算机、程序、其它装置、用户和/或其组合。促进、处理信息和请求，和/或促进信息从源用户到目的地用户的传递的计算机、其它装置、相关数据集、程序或其组合通常被称为“节点”。网络通常被认为是促进从源点到目的地的信息传送。具体负责促进从信息源到目的地的信息传递的节点通常被称为“路由器”。网络有许多形式，例如局域网(LAN)、Pico网络、广域网(WAN)、无线网络(WLAN)等等。例如，因特网通常被认为是众多网络的互连，由此远程客户端和服务器可以访问并互相交互操作。
移动计算装置104可包括智能手机104或能够发送和接收无线数字通信的其它计算装置。移动计算装置可包括处理器145、存储器146和电池147。移动计算装置104可包括RFID标签104A或能够发送包括例如电池电量107的移动计算装置数据的无线电信号的其它装置。移动计算装置104的存储器146可包括各种模块，所述各种模块包括指令，所述指令在由处理器145执行时大体上控制移动计算装置104的功能且具体地说将移动计算装置集成到系统100中。例如，一些模块可包括操作系统150A、浏览器模块150B、通信模块150C和钱包模块150D。通信模块150C可包括用处理器可执行指令，以发送和/或从系统的非接触式组件接收信号。在一些实施例中，通信模块150C可包括RFID接收器或用以实施RFID接收器的指令。钱包模块150D还可包括支付装置数据151。支付装置数据151可安全地标识支付装置250(图2)和用户的支付账户信息以促进移动计算装置104与商家计算机系统106之间的交易。在一些实施例中，支付装置数据151可以被令牌化，使得只有可信合作伙伴才能访问支付装置数据151。
商家计算机系统106可包括计算装置，例如包括处理器130和存储器132的商家服务器129，所述商家服务器包括包括处理器可执行指令以促进经由系统100的其它实体与移动计算装置104的交易的组件和指令模块。在一些实施例中，存储器132可包括交易通信模块134。交易通信模块134可包括用以将商家消息134A发送到系统100的其它实体(即，104、108、110)以大体上指示已发起与移动计算装置104的交易的指令，且钱包模块150D尤其包括支付账户数据、位置数据和如本文所描述的其它数据。例如，系统100的节点(例如，一般来说，移动计算装置104，且具体地说，浏览器模块150B)可以访问商家网站以发起交易。交易的一些实例包括场所处的特定座椅的票证销售。
商家计算机系统106还可包括交易存储库142和用以将支付和其它交易数据142A存储在交易存储库142内的指令。商家计算机系统106还可包括产品存储库143和用以将产品和其它数据143A存储在产品存储库143内的指令。在一些实施例中，商家计算机系统106还可包括用以将对应于支付装置250(图2)的支付装置数据151、交易数据143A和/或产品数据143B以及其在交易期间接收的其它数据从移动计算装置104发送到支付网络系统的指令。
支付网络系统108可包括支付服务器156，所述支付服务器包括处理器158和存储器160。存储器160可包括支付网络模块162，所述支付网络模块包括用以使用系统100促进各方(例如，一个或多个用户、商家等)之间的支付的指令。模块162可以通信方式连接到账户持有人数据存储库164，所述账户持有人数据存储库包括支付网络账户数据164A。支付网络账户数据164A可包括用以促进系统实体(例如，104、106和110)之间的支付和其它资金转账的任何数据。例如，支付网络账户数据164A可包括标识数据、账户历史数据、支付装置数据等。模块162还可包括用以将支付消息166发送到系统100的其它实体和组件以便完成移动计算系统104与商家计算机系统106之间的交易的指令。例如，模块162可包括用以将支付消息166发送到交易分析系统110或系统100的其它实体以完成购买交易的指令。消息166可包括授权购买交易的数据，例如授权号码或其它标识，且可在消息166经由网络102发送到系统实体之前由系统100令牌化或加密。
交易分析系统110可用于提供商家风险得分的实时或几乎实时分析。服务器116可具有用以存储计算机可执行指令的存储器，所述存储器可根据计算机可执行指令物理地配置处理器118。交易表112可存储个别交易112A、112B、112C和112D以用于周期性或实时分析。交易数据可存储在数据库112和124中，所述数据库可以含有可用于分析当前交易风险的过去条目122A和124A。
参考图2，可示出用以对商家风险等级进行实时确定的系统和方法的实施例。作为确定的一部分，实体201可以是用户、支付卡、商家、商家类别代码(MCC)、商家类别组(MCG)或邮政编码。在当前系统中可以创建两种类型的实体配置文件-一种基于领域知识，而另一种基于表示学习方法。
领域知识
典型的基于领域知识的实体配置文件可包括历史欺诈率、拒绝率、平均金额等。此类实体配置文件的典型实例-不同商家类别组(MCG)之间的欺诈率分布如下所示。
Figure BDA0003615822920000061
学习配置文件
基于表示学习的配置文件可包括用户嵌入和商家嵌入。嵌入可以是某一空间中的拓扑对象、流形、曲线图、字段等的表示，其方式为使得其连接性或代数特性得以保留。用户嵌入可通过首先收集交易数据中的所有用户-商家对，然后根据不同的商家将所述对分组来创建。对于每个唯一商家，可找到所有交易和对应用户的列表。然后，可基于交易时间对用户进行时间排序。序列中的每个用户可被视为“字”，并且整个序列可被视为“句子”。通过在所有活跃商家中重复相同程序，可创建数百万句子的语料库。可使用Word2vec或类似算法针对每个用户生成嵌入。类似地，商家嵌入可通过首先收集交易数据中的所有用户-商家对，然后根据不同的用户将所述对分组来创建。每个用户嵌入可以是200尺寸的浮动向量，而每个商家嵌入可以是400尺寸的浮动向量。每个嵌入表示的尺寸数目可选择为对手头的任务既高效又有效。基于领域知识的实体配置文件和基于表示学习的实体配置文件两者都可以周期性地更新。
交易风险模型
交易风险模型202可使用实体配置文件和非汇总交易特定特征(例如，位置、时间、金额等)的组合作为特征，且使用退款/欺诈信息作为标签，以监督方式离线训练。模型的输出可以是交易为欺诈性的概率。
概率可转换为在1至100之间的风险得分值，其中较高得分指示高风险交易，且较低得分指示低风险交易。为了对每笔交易评分，所提出的系统可使用各种模型。可用作组合体的两种模型可包括(i)梯度增强机(GBM)，和(ii)包括两个长短期存储器(LSTM)层的递归神经网络(RNN)。
在高等级，机器学习可用于随时间推移对交易评分，使得可鉴于所得欺诈分析过去得分，以在将来更好地确定最适当得分。在一些实施例中，评分可随时间推移而优化。机器学习可用于使用信用鉴于用户或实体的实际结果来分析过去得分。机器学习可用于审查过去评分数据的训练组，并确定前进的加权。
图6可示出根据一个或多个实施例的人工智能(AI)训练数据的样本。作为实例而非限制，可通过分析一组训练数据605来训练人工智能系统。训练数据可以被分解成集，例如集A 610、集B 615、集C620和集D 625。如图7a中所示，一个集可用作测试集(比如，集D625)，且其余集可用作训练集(集A 610、集B 615和集C 620)。人工智能系统可分析训练集(集A 610、集B 615和集C 620)，且使用测试集(集D 625)来测试从训练数据创建的模型。然后，数据集可以移位，如图7b中所示，其中测试数据集可添加到训练数据集(比如，集A 610、集B 615和集D 625)中，并且之前尚未用于测试的训练数据集中的一个(比如，集C 620)可用作测试数据集。对训练数据(集A 610、集B 615和集D 625)的分析可在新的测试集(集C620)用于测试模型的情况下再次发生，并且模型可得以优化。数据集的旋转可重复发生，直到所有数据集已被用作测试数据集为止。模型接着可被认为是完整的，并且模型可接着用于额外数据集。
RNN模型架构可如图4中所示。LSTM 405可一次处理一个持卡人的交易序列，且可维持单元状态向量c(t)410和隐藏状态向量h(t)415，所述向量可充当过去交易行为的存储器。单元状态向量c(t、)410可较长时间地存储信息，而隐藏状态向量h(t)415可较短时间地存储信息。在每个时间步骤处，LSTM 405可使用内置门控机制重置、修改或掩蔽两个状态向量410415。在任何时间步骤t处的两个状态向量c(t)410和h(t)415可串连420成{c(t)，h(t)}，其可接着基于先前状态向量c(t-1)，h(t-1)和当前输入向量x(t)进行更新：
(c(t)，h(t))＝LSTM(c(t-1)，h(t-1)，x(t)) (等式1)
在等式1中，当前输入向量x(t)可由从交易日志创建的实体配置文件组成。
来自深度递归神经网络模型的预测可通过以下等式获得
Figure BDA0003615822920000081
其中W、b为可学习参数阵列。预测
Figure BDA0003615822920000082
可充当指示交易是否为高风险的风险得分。来自交易的最终风险得分可以是从GBM模型和RNN模型获得的得分的加权平均值。以下图示可呈现GBM模型、RNN模型和组合体模型的性能曲线。
Figure BDA0003615822920000091
两种模型的组合体可产生显著的性能改进。括号中的值可报告对应模型的曲线下面积(AUC)得分。AUC值越高，模型的性能越好。
商家风险模型
先前会话中引入的交易风险模型202可使用交易得分引擎206(图2)产生商家处发生的每笔交易的风险得分。然后，商家风险模型203可汇总对应于商家的交易风险得分，且可使用商家风险得分引擎207(图2)得到范围1-100中的商家风险得分。较高得分可指示高风险商家，且较低得分可指示低风险商家。在逻辑上，可调整得分以反映用户的需求。
所述系统和方法可近实时地将风险得分归属于商家，但如果需要，调查团队可能需要大约1天来审查表现出异常行为的商家。如图5中所示，所提出的系统可以每小时为基础，例如以小时1(505)、小时2(510)到小时24(515)为基础汇总风险得分，方法是将每小时交易存储在数据桶中，例如用于小时1(505)的数据桶1(525)、用于小时2(510)的数据桶2(530)和用于小时24(515)的数据桶24(535)中，以及获取该小时内发生的交易的风险得分的平均值。然后，系统可在每天结束时将汇总风险得分汇编在每日数据桶(540)中，以生成商家风险得分(550)。
异常分析模型204中的异常检测算法208(图2)可更新商家风险得分以生成可疑商家列表以供审查。异常检测算法208可采用许多形式。在一个实施例中，所述算法可简单地寻找超过阈值的商家风险得分。在另一实施例中，所述算法可以突出显示在一定时间段内，例如在一天到下一天变化已超过预期的商家风险得分。在又一实施例中，所述算法可突出显示在一段时间内已经历最大百分比变化的商家风险得分。当然，所描述的所有或一些不同测量可以是单个算法的一部分，且可被赋予不同的权重以确定商家情况管理器209可能需要更仔细地研究哪些商家。
异常分析模型204
所提出的解决方案的一个贡献可以是支付网络中数百万商家的近实时异常检测能力。每日汇总商家风险得分可被视为时间序列，如下所示。
Figure BDA0003615822920000101
对于每日汇总商家风险得分，异常分析模型204可利用递归指数滤波器来标识异常商家行为。可能类似于广为人知的卡尔曼(Kalman)滤波器的递归指数滤波器可无需在每次风险得分需要更新时存储和重新处理过去交易记录。下文可以是示出一系列对{s1，t1}，{s2，t2}，...，{sn，tn}，{sn+1，tn+1}的时间系列的图示，其中si为时间ti时的商家风险得分。
假设{si，ti}表示一系列对，其中si为第ti天的每日汇总商家风险得分。第tn天的商家风险等级可被定义为运行平均值yn，然后其可通过以下等式给定
Figure BDA0003615822920000102
其中T为控制模型可能忘记过去历史的速度的衰变参数。在时间tn+1时的下一个每日商家风险得分观测之后，商家风险等级yn+1可如下计算
Figure BDA0003615822920000103
在轻微操纵等式3和等式4的情况下，所述系统和方法可使用以下递归公式表示yn+1：
yn+1＝yn+Kn+1(sn+1-yn) (等式5)
其中Kn+1也可以递归公式转换：
Figure BDA0003615822920000104
商家风险等级yn+1与yn的显著偏差可指示异常。重要的是，注意可能不需要存储商家风险得分的整个历史。替代地，可能仅需要存储先前风险得分sn、先前商家风险等级yn和Kn。
图8、图9和图10呈现了表现出异常行为的商家的三个实例。第一实例(图8)可示出点异常，其中可以在曲线图中看到单个尖峰805。
第二实例(图9)可示出得分移位905(从低到高)，随后为两个尖峰。
第三实例(图10)可示出风险得分1005的突然跳升，且得分在一段时间内保持高。
如何评估新商家？
在生产中，可维持“同行组”风险得分。同行组可以是提供类似商品或服务的商家的集合。举例来说，所有餐厅可属于同一同行组。商家类别代码(MCC)和同行组之间可存在一对一映射。传统交易数据中可存在约750个MCC代码，其可对应于约750个同行组。在系统中，约750个MCC组可进一步分类为22个商家类别组(MCG)。举例来说，餐厅MCC(5812)和快餐餐厅MCC(5814)可被分配相同MCG(10)。对不同粒度的商家的分层分类确保了可通过稳健的统计产生同行组。如果商家类别代码(MCC)具有少量交易，则所述系统和方法可向上移动一层以使用商家类别组(MCG)。类似于计算商家风险得分，同行组中的所有交易风险得分可以每小时为基础进行汇总，并且汇总风险得分可在每天结束时汇编以产生同行组风险得分。同行组分析可帮助评估具有较短历史数据的新商家的风险。
用于实时确定商家风险等级的计算机实施的方法可在图3中示出。在框200处，可针对小时h期间在商家处发生的每笔交易计算交易风险得分，其中h为1至24。交易风险模型202可使用实体配置文件和非汇总交易特定特征(例如，位置、时间、金额等)的组合作为特征，且使用退款/欺诈信息作为标签，以监督方式离线训练。模型的输出可以是交易为欺诈性的概率。
概率可转换为在1至100之间的风险得分值，其中较高得分指示高风险交易，且较低得分指示低风险交易。为了对每笔交易评分，所提出的系统可使用各种模型。可用作组合体的两种模型可包括(i)梯度增强机(GBM)，和(ii)包括两个长短期存储器(LSTM)层的递归神经网络(RNN)。
在框210处，可汇总小时h期间在商家处发生的每笔交易的交易风险得分，以获得如图5中所示的小时h期间商家的商家风险得分mh。在框220处，可针对每个小时h重复计算步骤和汇总步骤。
在框230处，可汇编商家风险得分mh(535、530、525)(540)以计算每日商家风险得分si(550)。然后，商家风险模型203可汇总对应于商家的交易风险得分，且可使用商家风险得分引擎207(图2)得到范围1-100中的商家风险得分。较高得分可指示高风险商家，且较低得分可指示低风险商家。在逻辑上，可调整得分以反映用户的需求。在一些实施例中，可针对小时h期间发生的所有交易计算交易风险得分的平均值。
在框240处，可将每日商家风险得分si(550)提供给商家。作为响应，当商家风险得分正接近警报水平时，商家可以几乎立即看到。在一些实施例中，所述系统和方法可标识商家风险得分的变化的来源。例如，如果某个卡造成问题，则商家可尝试寻找该卡。在其它实施例中，某一时间段期间的购买可能成问题，并且商家可在这些时间段期间采取额外风险降低步骤。在又一实施例中，商家可被告知某些物品的销售已被标识为有风险，并且商家可调整这些商品的销售。
可以看出，所述系统和方法可解决如何以计算上高效方式检查商家评级得分的技术问题。在过去，以及时方式检查商家评级甚至是不可能的。理论上，用户可能已经对更新提出每日请求，所述更新可能已经或可能还没有产生响应，因为提供每日更新仅仅是在当前时间没有完成。逻辑上，在当前时间，商家汇总也还没完成。至少，所述系统和方法能够实现先前使用任何计算机系统都不可能的一些新功能。
在一些另外的实施例中，所述方法还可确定商家的同行组，其中同行组包括与所述商家提供类似商品或服务的一个或多个同行商家。可针对小时h期间在同行组处发生的每笔交易计算交易风险得分，其中h为1至24。可汇总小时h期间在同行组处发生的每笔交易的交易风险得分，以获得同行组的同行组风险得分ph。可针对每个小时h重复计算步骤和汇总步骤。可汇编同行组得分ph以计算每日同行组风险得分pi。可将每日同行组风险得分pi与每日商家风险得分si进行比较，以鉴于类似商家的世界更好地确定单个商家的交易风险等级。
在一些实施例中，可使用异常检测算法来确定每日商家风险得分si中是否存在异常。如果检测到异常，则可将商家添加到列表中。异常检测算法可包括在时间tn确定第一商家风险等级，其中
第一商家风险等级yn为商家每日风险得分si的运行平均值，其中第一商家风险等级yn如下计算
Figure BDA0003615822920000121
并且其中T为衰变参数，且i为1至n。
可确定时间tn+1时的第二商家风险等级，其中第二商家风险等级yn+1如下计算，
Figure BDA0003615822920000131
可将第一商家风险等级yn与第二商家风险等级yn+1进行比较。如果第一商家风险等级yn与第二商家风险等级yn+1之间的差高于阈值，则可标识异常。
如先前所提到，机器学习可用于确定交易是否可能为欺诈性的。可使用第一数据集创建第一实体配置文件。可使用第二数据集创建第二实体配置文件，其中第二实体配置文件是使用第一实体配置文件创建的，并且可使用第二实体配置文件训练含有交易数据的第三数据集以确定交易为欺诈性的概率。可将交易为欺诈性的概率转换为交易风险得分。第二实体配置文件可包括用户嵌入和商家嵌入，并且第一实体配置文件可包括历史欺诈率、交易拒绝率和平均金额中的一个或多个。例如，交易风险得分可以是1至100中的任何一个。逻辑上，高交易风险得分可指示高风险交易，且低交易风险得分可指示低风险交易。
系统400可包括但不限于LAN、MAN、WAN、移动网络、有线网络或无线网络、专用网络或虚拟专用网络的任何组合。此外，尽管在图1中仅示出一个远程计算装置104以使说明书简化和清晰，但是应理解，任何数目的客户端计算机均得到支持并且可以在系统100内通信。
另外，本文中将某些实施例描述为包括逻辑或数个组件、模块、块或机构。模块和方法框可构成软件模块(例如，体现在机器可读介质上或者以传输信号体现的代码或指令，其中代码由处理器执行)或者硬件模块。硬件模块是能够执行某些操作并可以某一方式配置或布置的有形单元。在实例实施例中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可由软件(例如，应用程序或应用程序部分)配置为硬件模块，所述硬件模块操作以执行如本文描述的某些操作。
在各种实施例中，硬件模块可以用机械方式或用电子方式实施。例如，硬件模块可包括专用电路或逻辑，其被永久性配置(例如，作为专用处理器，例如现场可编程门阵列(FPGA))或专用集成电路(ASIC)成执行某些操作。硬件模块还可包括通过软件暂时性地配置以执行某些操作的可编程逻辑或电路系统(例如，如涵盖在处理器或其它可编程处理器内)。应了解，可以由成本和时间考虑因素驱动以机械方式、在专用且永久性配置的电路系统中或在暂时性配置的电路系统(例如，由软件配置)中实施硬件模块的决策。
因此，术语“硬件模块”应理解为涵盖有形实体，以物理方式构造、永久性配置(例如，硬接线)或暂时性配置(例如，编程)从而以某一方式操作或执行本文中所描述的某些操作的实体。如本文中所使用，“硬件实施的模块”指硬件模块。考虑到其中硬件模块进行暂时性配置(例如，编程)的实施例，无需在任一时刻处配置或实例化硬件模块中的每一个。例如，在硬件模块包括由软件配置的处理器的情况下，处理器可以在不同时间配置为相应的不同硬件模块。软件因此可以配置处理器，例如以在一个时刻构成特定硬件模块并且在不同时刻构成不同硬件模块。
硬件模块可以将信息提供给其它硬件模块以及从其它硬件模块接收信息。因此，可以将所描述的硬件模块视为以通信方式耦合。在多个此类硬件模块同时存在的情况下，通信可以通过连接硬件模块的信号发射(例如，经由合适电路和总线)实现。在多个硬件模块在不同时间进行配置或初始化的实施例中，这些硬件模块之间的通信可以通过例如在多个硬件模块可访问的存储器结构中存储和检取信息来实现。例如，一个硬件模块可以执行一个操作且将所述操作的输出存储在存储器装置中，所述硬件模块以通信方式耦合到所述存储器装置。接着，另一硬件模块可以随后访问存储器装置以检取和处理所存储输出。硬件模块还可以发起与输入或输出装置的通信，并可以对资源(例如，信息的集合)操作。
本文中描述的实例方法的各种操作可以至少部分地由一个或多个处理器执行，这些处理器进行暂时性配置(例如，由软件)或者永久性配置以执行相关操作。无论暂时性配置还是永久性配置，这些处理器可以构成操作用于执行一个或多个操作或功能的处理器实施的模块。在一些实例实施例中，本文提及的模块可包括处理器实施的模块。
类似地，本文所描述的方法或例程可以至少部分是处理器实施的。例如，方法的至少一些操作可以由一个或多个处理器或处理器实施的硬件模块执行。某些操作的性能可以分布在一个或多个处理器当中，不仅驻留在单个机器内，而且还跨越多个机器部署。在一些实例实施例中，一个或多个处理器可以位于单个位置中(例如，位于家庭环境、办公室环境或服务器群内)，而在其它实施例中，处理器可以跨越多个位置分布。
一个或多个处理器还可以操作用于支持“云计算”环境或作为“软件即服务”(SaaS)中的相关操作的性能。例如，至少一些操作可以由一组计算机(作为包括处理器的机器的实例)执行，这些操作可经由网络(例如，因特网)并经由一个或多个适当接口(例如，应用程序接口(API))访问。
某些操作的性能可以分布在一个或多个处理器当中，不仅驻留在单个机器内，而且还跨越多个机器部署。在一些实例实施例中，一个或多个处理器或处理器实施的模块可以位于单个地理位置中(例如，在家庭环境、办公室环境内或服务器群内)。在其它实例实施例中，一个或多个处理器或处理器实施的模块可以跨越多个地理位置分布。
根据存储为机器存储器(例如，计算机存储器)内的位或二进制数字信号的数据上的操作的算法或符号表示而呈现本说明书的一些部分。这些算法或符号表示是数据处理领域的一般技术人员用来向本领域其它技术人员传达其工作的实质内容的技术的实例。如本文中所使用，“算法”是产生所需结果的操作或类似处理的自一致性序列。在此上下文中，算法和操作涉及对物理量的物理操纵。通常但不一定，此类量可以呈电、磁或光学信号的形式，所述电、磁或光学信号能够由机器存储、访问、传送、组合、比较或以其它方式控制。主要出于常用的原因，有时使用例如“数据”、“内容”、“位”、“值”、“元素”、“符号”、“字符”、“项”、“数目”、“数字”等词语来提及此类信号是很方便的。然而，这些词语仅为方便的标记并将与适当物理量相关联。
除非另外特别指出，否则本文中使用例如“处理”、“计算”、“运算”、“确定”、“呈现”、“显示”等词进行的论述可以指机器(例如，计算机)的动作或过程，所述机器控制或转换表示为一个或多个存储器(例如，易失性存储器、非易失性存储器或其组合)、寄存器或者接收、存储、传送或显示信息的其它机器组件内的物理(例如，电、磁或光)量的数据。
如本文所使用，对“实施例”、“一些实施例”或“一实施例”或“教示”的任何参考表示结合实施例所描述的特定元件、特征、结构或特性包括在至少一个实施例中。在本说明书的不同位置中出现短语“在一些实施例中”或“教示”未必都指同一个实施例。
可以使用表达“耦合”和“连接”以及其衍生词来描述一些实施例。例如，可以使用术语“耦合”来描述一些实施例以指示两个或多于两个元件直接物理或电接触。然而，术语“耦合”还可以表示两个或多于两个元件并不彼此直接接触，但是仍然彼此协作或相互作用。实施例在此上下文中不受限制。
此外，仅出于说明的目的，图式描绘优选实施例。所属领域的技术人员将从下面的论述中容易地认识到，在不脱离本文描述的原理的情况下，可以采用在本文中示出的结构和方法的替代实施例。
在阅读本公开后，所属领域的技术人员将通过本文公开的原理了解本文中描述的系统和方法的额外替代结构设计和功能设计。因此，虽然已示出和描述了特定实施例和应用，但应理解，所公开的实施例不限于本文中公开的精确构造和组件。在不脱离任何所附权利要求限定的精神和范围的情况下，可对本文公开的系统和方法的布置、操作和细节做出各种修改、改变和变化，这对于所属领域的技术人员来说是显而易见的。

Claims (20)

1.一种用于实时确定商家风险等级的计算机实施的方法，所述方法包括：
计算小时h期间在商家处发生的每笔交易的交易风险得分，其中h为1至24；
汇总小时h期间在所述商家处发生的每笔交易的所述交易风险得分，以获得每个小时h期间所述商家的商家风险得分mh；
针对每个小时h重复所述计算步骤和所述汇总步骤；
汇编所述商家风险得分mh以计算每日商家风险得分si；以及，
将所述每日商家风险得分si提供给所述商家。
2.根据权利要求1所述的方法，其中汇总小时h期间在所述商家处发生的每笔交易的所述交易风险得分的步骤还包括计算小时h期间发生的所有所述交易的所述交易风险得分的平均值。
3.根据权利要求1所述的方法，还包括：
确定所述商家的同行组，其中所述同行组包括与所述商家提供类似商品或服务的一个或多个同行商家；
计算小时h期间在所述同行组处发生的每笔交易的交易风险得分，其中h为1至24；
汇总小时h期间在所述同行组处发生的每笔交易的所述交易风险得分，以获得所述同行组的同行组风险得分ph；
针对每个小时h重复所述计算步骤和所述汇总步骤；
汇编所述同行组得分ph以计算每日同行组风险得分pi；以及，
将所述每日同行组风险得分pi与所述每日商家风险得分si进行比较。
4.根据权利要求1所述的方法，还包括：
使用异常检测算法来确定所述每日商家风险得分si中是否存在异常；以及，
如果检测到异常，则将所述商家添加到列表中。
5.根据权利要求4所述的方法，其中所述异常检测算法包括：
在时间tn确定第一商家风险等级，其中所述第一商家风险等级yn为所述商家每日风险得分si的运行平均值，其中所述第一商家风险等级yn如下计算，
Figure FDA0003615822910000021
其中T为衰变参数且i为1至n。
在时间tn+1确定第二商家风险等级，其中所述第二商家风险等级yn+1如下计算，
Figure FDA0003615822910000022
将所述第一商家风险等级yn与所述第二商家风险等级yn+1进行比较，
如果所述第一商家风险等级yn与所述第二商家风险等级yn+1之间的差高于阈值，则标识异常。
6.根据权利要求1所述的方法，还包括：
使用第一数据集创建第一实体配置文件
使用第二数据集创建第二实体配置文件，其中所述第二实体配置文件被创建
使用所述第一实体配置文件和所述第二实体配置文件来训练含有交易数据的第三数据集，以确定交易为欺诈性的概率；
将所述交易为欺诈性的所述概率转换为交易风险得分。
7.根据权利要求6所述的方法，其中所述交易风险得分为1至100中的任何一个。
8.根据权利要求7所述的方法，其中高交易风险得分指示高风险交易，并且低交易风险得分指示低风险交易。
9.根据权利要求6所述的方法，其中所述第一实体配置文件包括历史欺诈率、交易拒绝率和平均金额中的一个或多个。
10.根据权利要求6所述的方法，其中所述第二实体配置文件包括用户嵌入和商家嵌入。
11.一种计算机系统，包括输入输出电路、用于存储计算机可执行指令的存储器和根据计算机可执行指令物理配置的处理器，所述计算机可执行指令实施用于实时确定商家风险等级的方法，所述方法包括用于以下操作的计算机可执行框：
计算小时h期间在商家处发生的每笔交易的交易风险得分，其中h为1至24；
汇总小时h期间在所述商家处发生的每笔交易的所述交易风险得分，以获得每个小时h期间所述商家的商家风险得分mh；
针对每个小时h重复所述计算步骤和所述汇总步骤；
汇编所述商家风险得分mh以计算每日商家风险得分si；以及，
将所述每日商家风险得分si提供给所述商家。
12.根据权利要求11所述的计算机系统，其中汇总小时h期间在所述商家处发生的每笔交易的所述交易风险得分的步骤还包括计算小时h期间发生的所有所述交易的所述交易风险得分的平均值。
13.根据权利要求11所述的计算机系统，还包括用于以下操作的计算机可执行指令：
确定所述商家的同行组，其中所述同行组包括与所述商家提供类似商品或服务的一个或多个同行商家；
计算小时h期间在所述同行组处发生的每笔交易的交易风险得分，其中h为1至24；
汇总小时h期间在所述同行组处发生的每笔交易的所述交易风险得分，以获得所述同行组的同行组风险得分ph；
针对每个小时h重复所述计算步骤和所述汇总步骤；
汇编所述同行组得分ph以计算每日同行组风险得分pi；以及，
将所述每日同行组风险得分pi与所述每日商家风险得分si进行比较。
14.根据权利要求11所述的计算机系统，还包括用于以下操作的计算机可执行指令：
使用异常检测算法来确定所述每日商家风险得分si中是否存在异常；以及，
如果检测到异常，则将所述商家添加到列表中。
15.根据权利要求14所述的计算机系统，其中所述异常检测算法包括用于以下操作的计算机可执行步骤：
在时间tn确定第一商家风险等级，其中所述第一商家风险等级yn为所述商家每日风险得分si的运行平均值，其中所述第一商家风险等级yn如下计算，
Figure FDA0003615822910000041
其中T为衰变参数且i为1至n。
在时间tn+1确定第二商家风险等级，其中所述第二商家风险等级yn+1如下计算，
Figure FDA0003615822910000042
将所述第一商家风险等级yn与所述第二商家风险等级yn+1进行比较，
如果所述第一商家风险等级yn与所述第二商家风险等级yn+1之间的差高于阈值，则标识异常。
16.根据权利要求11所述的计算机系统，还包括用于以下操作的计算机可执行指令：
使用第一数据集创建第一实体配置文件；
使用第二数据集创建第二实体配置文件，其中所述第二实体配置文件被创建；
使用所述第一实体配置文件和所述第二实体配置文件来训练含有交易数据的第三数据集，以确定交易为欺诈性的概率；
将所述交易为欺诈性的所述概率转换为交易风险得分。
17.根据权利要求16所述的计算机系统，其中所述交易风险得分为1至100中的任何一个。
18.根据权利要求17所述的计算机系统，其中高交易风险得分指示高风险交易，并且低交易风险得分指示低风险交易。
19.根据权利要求16所述的计算机系统，其中所述第一实体配置文件包括历史欺诈率、交易拒绝率和平均金额中的一个或多个。
20.根据权利要求16所述的计算机系统，其中所述第二实体配置文件包括用户嵌入和商家嵌入。
CN201980101740.5A 2019-10-31 2019-10-31 用于评估商家声誉的方法和系统 Pending CN114787846A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2019/059058 WO2021086365A1 (en) 2019-10-31 2019-10-31 Method and system for assessing the reputation of a merchant

Publications (1)

Publication Number Publication Date
CN114787846A true CN114787846A (zh) 2022-07-22

Family

ID=75716440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980101740.5A Pending CN114787846A (zh) 2019-10-31 2019-10-31 用于评估商家声誉的方法和系统

Country Status (3)

Country Link
US (1) US20220366421A1 (zh)
CN (1) CN114787846A (zh)
WO (1) WO2021086365A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118020088A (zh) 2021-09-24 2024-05-10 维萨国际服务协会 用于检测商家数据变动的系统、方法和计算机程序产品
US20240161115A1 (en) * 2022-11-11 2024-05-16 Stripe, Inc. Fraud detection using real-time and batch features

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7251624B1 (en) * 1992-09-08 2007-07-31 Fair Isaac Corporation Score based decisioning
EP1664687A4 (en) * 2003-09-12 2009-01-14 Rsa Security Inc SYSTEM AND METHOD FOR AUTHENTICATION TO RISK BASIS
US7853533B2 (en) * 2004-03-02 2010-12-14 The 41St Parameter, Inc. Method and system for identifying users and detecting fraud by use of the internet
AU2005259948A1 (en) * 2004-06-25 2006-01-12 Chockstone, Inc. Payment processing method and system
US7668769B2 (en) * 2005-10-04 2010-02-23 Basepoint Analytics, LLC System and method of detecting fraud
US7389913B2 (en) * 2006-04-28 2008-06-24 Ed Starrs Method and apparatus for online check processing
US10853855B2 (en) * 2007-05-20 2020-12-01 Michael Sasha John Systems and methods for automatic and transparent client authentication and online transaction verification
US10089683B2 (en) * 2010-02-08 2018-10-02 Visa International Service Association Fraud reduction system for transactions
US8626663B2 (en) * 2010-03-23 2014-01-07 Visa International Service Association Merchant fraud risk score
US8453226B2 (en) * 2010-07-16 2013-05-28 Visa International Service Association Token validation for advanced authorization
US20120158540A1 (en) * 2010-12-16 2012-06-21 Verizon Patent And Licensing, Inc. Flagging suspect transactions based on selective application and analysis of rules
US20140316960A1 (en) * 2013-04-23 2014-10-23 Bank Of America Corporation Merchant bank tool
CA2851019A1 (en) * 2013-05-08 2014-11-08 Prabaharan Sivashanmugam System and method for consumer-merchant transaction analysis
US20150106260A1 (en) * 2013-10-11 2015-04-16 G2 Web Services System and methods for global boarding of merchants
US20150161609A1 (en) * 2013-12-06 2015-06-11 Cube, Co. System and method for risk and fraud mitigation while processing payment card transactions
US20150193768A1 (en) * 2014-01-09 2015-07-09 Capital One Financial Corporation Method and system for providing alert messages related to suspicious transactions
US20150339673A1 (en) * 2014-10-28 2015-11-26 Brighterion, Inc. Method for detecting merchant data breaches with a computer network server
US10290001B2 (en) * 2014-10-28 2019-05-14 Brighterion, Inc. Data breach detection
US20160364727A1 (en) * 2015-06-11 2016-12-15 Early Warning Services, Llc System and method for identifying compromised accounts
US11151569B2 (en) * 2018-12-28 2021-10-19 Mastercard International Incorporated Systems and methods for improved detection of network fraud events
US11321653B2 (en) * 2018-12-31 2022-05-03 Mastercard International Incorporated Database system architecture for refund data harmonization

Also Published As

Publication number Publication date
WO2021086365A1 (en) 2021-05-06
US20220366421A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
US11321717B2 (en) System and method for analyzing transaction nodes using visual analytics
Afriyie et al. A supervised machine learning algorithm for detecting and predicting fraud in credit card transactions
JP6913241B2 (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
US20210073283A1 (en) Machine learning and prediction using graph communities
US11423365B2 (en) Transaction card system having overdraft capability
US8661538B2 (en) System and method for determining a risk root cause
US20210264448A1 (en) Privacy preserving ai derived simulated world
US20190354993A1 (en) System and method for generation of case-based data for training machine learning classifiers
Duman et al. A novel and successful credit card fraud detection system implemented in a turkish bank
US12079814B2 (en) Privacy-preserving graph compression with automated fuzzy variable detection
US11711391B2 (en) System, method, and computer program product for user network activity anomaly detection
US20210174367A1 (en) System and method including accurate scoring and response
US20200043027A1 (en) System and method for determining real-time optimal item pricing
CN114202417A (zh) 异常交易检测方法、装置、设备、介质和程序产品
US20230325840A1 (en) Transaction-risk evaluation by resource-limited devices
CN114787846A (zh) 用于评估商家声誉的方法和系统
EP3637350A1 (en) System and method for predicting future purchases based on payment instruments used
AU2018306317A1 (en) System and method for detecting and responding to transaction patterns
CN117670364A (zh) 一种异常交易识别方法、装置、设备及存储介质
Adedoyin Predicting fraud in mobile money transfer
CN111681044A (zh) 积分兑换作弊行为处理方法及装置
Saxena et al. Blockchain transaction deanonymization using ensemble learning
Sahoo et al. Faulty diagnostics model in e-commerce using AI
Kaur Development of Business Intelligence Outlier and financial crime analytics system for predicting and managing fraud in financial payment services
Gupta et al. Machine Learning For Detecting Credit Card Fraud

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