CN114881658A - 交易风险的确定方法、装置、存储介质以及电子设备 - Google Patents
交易风险的确定方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN114881658A CN114881658A CN202210505436.0A CN202210505436A CN114881658A CN 114881658 A CN114881658 A CN 114881658A CN 202210505436 A CN202210505436 A CN 202210505436A CN 114881658 A CN114881658 A CN 114881658A
- Authority
- CN
- China
- Prior art keywords
- risk
- transaction information
- determining
- risk probability
- probability
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种交易风险的确定方法、装置、存储介质以及电子设备。该方法包括:获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。通过本申请,解决了相关技术中无法高效准确地对交易进行风险管控的问题。
Description
技术领域
本申请涉及金融科技领域,具体而言,涉及一种交易风险的确定方法、装置、存储介质以及电子设备。
背景技术
近年来,随着电子商户的快速发展,在线支付成为电子商务发展的重要支撑。由于越来越多的用户使用互联网进行交易,使得互联网收单行业随之同步发展,其业务已经涉及取现、商务活动、旅游、购物、消费等各个领域。特别的,互联网收单业务属于无卡支付(CardNotPresent,CNP)模式,存在较多的交易风险。
目前,传统的收单业务通常由各大金融机构采用事前、事中、事后监控三合一管控的方法进行风险控制。其中,事前风险监控主要依赖于在于商户签约之前先评价商户的风险状况,评估流程复杂低效,并且评估结果过于主观,导致评估准确率低下。事后风控通常对完成之后的交易大数据进行分析,通过制定一系列的专家规则,对历史交易信息进行匹配,事后风控的准确率高,但是效率低、响应慢,往往交易之后一段时间才发现风险,此时风险已经发生,只能采用后续补救措施。事中监控是对每一笔正在发生的交易进行及时监控,通过关键特征等方法对正在进行的交易进行风险判断,但是判断的准确率较低,而且可能会出现过紧或过松的现象。
针对相关技术中无法高效准确地对交易进行风险管控的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种交易风险的确定方法、装置、存储介质以及电子设备,以解决相关技术中无法高效准确地对交易进行风险管控的问题。
根据本申请的一个方面,提供了一种交易风险的确定方法。该方法包括:获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
可选地,依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级包括:判断第一差值是否在预设范围内;在第一差值在预设范围内的情况下,根据第一风险概率或第二风险概率确定交易信息对应的风险等级;在第一差值不在预设范围内的情况下,根据交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
可选地,在第一差值不在预设范围内的情况下,根据交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级包括:将交易信息输入等级确定模型,得到交易信息对应的第三风险概率;计算第三风险概率与第一风险概率之间的差值,得到第二差值;计算第三风险概率与第二风险概率之间的差值,得到第三差值;在第二差值大于第三差值的情况下,将第二风险概率对应的风险等级确定为交易信息的风险等级;在第二差值小于第三差值的情况下,将第一风险概率对应的风险等级确定为交易信息的风险等级;在第一差值等于第二差值的情况下,从第一风险概率和第二风险概率中确定高风险概率,并将高风险概率对应的风险等级确定为交易信息的风险等级。
可选地,将交易信息输入等级确定模型,得到交易信息对应的第三风险概率包括:获取交易信息的特征信息,得到至少一个特征信息;分别确定至少一个特征信息的特征风险概率,得到至少一个特征风险概率;根据至少一个特征风险概率确定交易信息的风险概率,得到第三风险概率。
可选地,在将交易信息输入目标分类模型,得到交易信息对应的第一风险概率之前,该方法还包括:获取第一样本信息,其中,第一样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;通过第一样本信息对初始分类模型进行学习训练,得到目标分类模型。
可选地,目标分类模型为半监督图神经网络模型,获取第一样本信息包括:获取多个历史交易信息以及每个历史交易信息对应的风险等级,其中,历史交易信息中包括以下至少之一:历史用户数据、历史商户数据;将每个历史用户数据确定为源节点,将每个历史商户数据确定为目标节点,将历史用户与历史商户之间的交易关系确定为有向边,将交易关系对应的历史交易信息的风险等级确定为有向边的数值,得到多个历史交易信息对应的有向图结构数据;将有向图结构数据确定为第一样本信息。
可选地,在将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率之前,该方法还包括:获取第二样本信息,其中,第二样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;通过第二样本信息对初始聚类分析模型进行训练,得到目标聚类分析模型。
可选地,通过第二样本信息对初始聚类分析模型进行训练,得到目标聚类分析模型包括:在初始聚类分析模型中随机生成多个簇中心;计算每个历史交易信息对应的归属簇,并更新每个归属簇的中心点,得到多个簇;从每个簇中获取风险等级大于第一风险阈值的历史交易信息,得到目标数量的历史交易信息;根据目标数量的历史交易信息确定各个簇对应的风险等级,并根据各个簇以及每个簇对应的风险等级确定目标聚类分析模型,其中,在目标数量大于等于数量阈值的情况下,将簇对应的风险等级确定为第一风险等级;在目标数量小于数量阈值的情况下,将簇对应的风险等级确定为第二风险等级,其中,第一风险等级的风险程度高于第二风险等级的风险程度。
根据本申请的另一方面,提供了一种交易风险的确定装置。该装置包括:第一获取单元,用于获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;第一输入单元,用于将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;第二输入单元,用于将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算单元,用于计算第一风险概率和第二风险概率的差值,得到第一差值;确定单元,用于依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
根据本发明实施例的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种交易风险的确定方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种交易风险的确定方法。
通过本申请,采用以下步骤:获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级,解决了相关技术中无法高效准确地对交易进行风险管控的问题。通过目标分类模型和目标聚类分析模型对交易信息同时进行判断,并将判断结果进行对比,并通过判断结果与交易信息再次进行综合判断,从而确定交易风险,进而达到了准确高效的对交易进行风险管控的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的交易风险的确定方法的流程图;
图2是根据本申请实施例提供的一种可选的有向图结构;
图3是根据本申请实施例提供的交易风险的确定装置的示意图;
图4是根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例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申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
需要说明的是,本公开所确定的交易风险的确定方法、装置、存储介质以及电子设备可用于金融科技领域,也可用于除金融科技领域之外的任意领域,本公开所确定的交易风险的确定方法、装置、存储介质以及电子设备的应用领域不做限定。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
收单业务:指银行向商户提供的资金结算服务。
根据本申请的实施例,提供了一种交易风险的确定方法。
图1是根据本申请实施例提供的交易风险的确定方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据。
具体的,交易信息可以为在用户与商户发生交易时的交易信息,包括:用户数据,例如,用户的银行卡账户、用户近一周的交易笔数、用户近一周的交易金额等信息,还包括商户数据,例如,商户的账户信息、商户近一周的交易笔数、商户近一周的获取金额等信息,还可以包括该交易的交易金额、交易时间等信息,从而构成交易信息。
步骤S102,将交易信息输入目标分类模型,得到交易信息对应的第一风险概率。
具体的,目标分类模型可以为用于对交易进行风险概率确定的模型,可以通过交易信息对交易的风险概率进行确定,得到第一风险概率。例如,目标分类模型可以为通过历史交易训练后的神经网络模型,将交易信息输入神经网络模型后可以直接得到该模型对该交易信息的风险概率确定结果。
需要说明的是,风险概率可以为一种风险等级,风险概率可以说明某交易信息为某风险的概率,例如,A交易信息为高风险的概率为20%,为中风险的概率为20%,为低风险的概率为60%,所以风险概率可以作为一种风险等级的表现形式。
为了提高目标分类模型对交易信息的风险概率确定的准确率,可选地,在本申请实施例提供的交易风险的确定方法中,在将交易信息输入目标分类模型,得到交易信息对应的第一风险概率之前,该方法还包括:获取第一样本信息,其中,第一样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;通过第一样本信息对初始分类模型进行学习训练,得到目标分类模型。
具体的,在得到目标分类模型之前,需要对初始分类模型进行训练,其中,训练使用的样本信息可以为已经确定交易风险等级的历史交易信息,将历史交易信息输入初始分类模型中进行训练,并在初始分类模型可以得到每个历史交易信息对应的交易风险等级时完成对初始分类模型的训练,从而得到目标分类模型。本实施例达到了提高交易信息的第一风险概率确定的效果。
为了提高目标分类模型的训练效果,并提高目标分类模型的判断准确率。可选地,在本申请实施例提供的交易风险的确定方法中,目标分类模型为半监督图神经网络模型,获取第一样本信息包括:获取多个历史交易信息以及每个历史交易信息对应的风险等级,其中,历史交易信息中包括以下至少之一:历史用户数据、历史商户数据;将每个历史用户数据确定为源节点,将每个历史商户数据确定为目标节点,将历史用户与历史商户之间的交易关系确定为有向边,将交易关系对应的历史交易信息的风险等级确定为有向边的数值,得到多个历史交易信息对应的有向图结构数据;将有向图结构数据确定为第一样本信息。
具体的,目标分类模型为半监督图神经网络模型,可以通过将多个历史交易信息连接成图的方式生成样本信息,从而对半监督图神经网络模型进行训练,使得半监督图神经网络模型可以更准确的确定交易信息的第一风险概率。
需要说明的是,对于交易信息的收单风险等级识别,可以认为各个交易信息之间是存在关联的,相似的用户和相似的商户之间发生的交易信息之间也是大致相同的,具体高度的同质性。一个用户可能发起多起风险交易,一个商户可能涉及多起风险交易,可以通过这些风险节点之间表现出相似的特征,并通过这些相似的特征对未知风险的交易的风险进行确定。同时,节点之间还会互相影响,相关的商户之间可能互相影响,从而产生例如诈骗手段升级等现象,导致风险交易在各个关联商户之间增加。
所以可以通过构成交易信息之间的关系图,将大量的交易信息在一个关系图中进行表示,并通过关系图对半监督图神经网络模型进行训练,从而使得半监督图神经网络模型对未知风险等级的交易信息的风险等级进行准确的确定。在将多个历史交易信息连接成图的过程中,可以将用户和商户作为节点,将用户与商户之间的交易作为有向边,并将风险等级确定为有向边的数值。图2是根据本申请实施例提供的一种可选的有向图结构,如图2所示,A用户与A商户发生了交易,B用户与A商户和B商户发生了交易,C用户与A商户和B商户发生了交易,根据交易风险等级将每个有向边进行标注,从而得到交易连接图。
进一步的,半监督图神经网络模型中可以使用切比雪夫一阶展开近似谱卷积,每层卷积进处理一阶邻域信息,随后分层传播叠加实现多阶邻域信息传播。图结构可以反映节点之间的相似性,大量样本(节点)加入模型中有助于提升样本分类效果。该算法适用于收单风险交易场景,使用用户和商户构建节点,账户之间的交易构建有向边,可以根据核实的风险交易给定部分节点标签,预测未给定标签的交易是否有风险。本实施例达到了提高半监督图神经网络模型对交易信息的风险等级判断的准确率的效果。
在此对卷积算法进行说明,切比雪夫近似谱卷积为:
H(l)为上一个卷积层的输出,表示为该节点的embedding,其中H(0)=X,表示节点的自身特征。为一阶近似卷积核,可以理解为加权平均邻接特征,用于学习欺诈账号之间的关系。σ为非线性激活单元,如relu函数,W(l)为卷积层参数,各节点共享。
算法的主要流程如下:
1.准备好训练集,包括业务人员核实的有标签数据和无标签交易数据;
2.根据收单数据建立特征矩阵X;
3.根据交易账号的转出和转入方,建立邻接矩阵A;
5.for i=1;i<=k-1;do(k表示卷积层数);
(1)对i层卷积,并进行非线性转换;
(2)对i+1层进行卷积,并进行softmax转化;
步骤S103,将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率。
具体的,目标聚类分析模型可以为用于对交易进行风险概率确定的模型,可以通过交易信息对交易的风险概率进行确定,得到第二风险概率。例如,目标聚类分析模型可以为通过历史交易训练后的聚类模型,将交易信息输入聚类模型后可以通过模型中存储的簇进行交易信息所属的簇的判断,从而根据簇的风险概率确定交易信息的风险概率。
为了提高目标聚类分析模型对交易信息的风险概率确定的准确率,可选地,在本申请实施例提供的交易风险的确定方法中,在将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率之前,该方法还包括:获取第二样本信息,其中,第二样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;通过第二样本信息对初始聚类分析模型进行训练,得到目标聚类分析模型。
具体的,在得到目标聚类分析模型之前,需要对初始聚类分析模型进行训练,其中,训练使用的样本信息可以为已经确定交易风险等级的历史交易信息,将历史交易信息输入初始聚类分析模型中进行训练,并在初始聚类分析模型完成历史交易数据的聚类,并通过聚类后的簇可以准确确定每个历史交易信息对应的交易风险等级时完成对初始聚类分析模型的训练,从而得到目标聚类分析模型。本实施例达到了提高交易信息的第二风险概率确定的效果。
为了提高目标聚类分析模型的训练效果,并提高目标聚类分析模型的判断准确率。可选地,在本申请实施例提供的交易风险的确定方法中,通过第二样本信息对初始聚类分析模型进行训练,得到目标聚类分析模型包括:在初始聚类分析模型中随机生成多个簇中心;计算每个历史交易信息对应的归属簇,并更新每个归属簇的中心点,得到多个簇;从每个簇中获取风险等级大于第一风险阈值的历史交易信息,得到目标数量的历史交易信息;根据目标数量的历史交易信息确定各个簇对应的风险等级,并根据各个簇以及每个簇对应的风险等级确定目标聚类分析模型,其中,在目标数量大于等于数量阈值的情况下,将簇对应的风险等级确定为第一风险等级;在目标数量小于数量阈值的情况下,将簇对应的风险等级确定为第二风险等级,其中,第一风险等级的风险程度高于第二风险等级的风险程度。
具体的,目标聚类分析模型中可以采用K-means的聚类方法进行无监督聚类。首先先随机生成K个簇中心,并根据每个历史交易信息计算每个数据的归属簇,从而将大量的历史交易信息分成K个簇。进一步根据每个簇中的每个历史交易信息的散布重新确定每个簇的中心点,从而得到更新后的簇中心,并根据更新后的簇中心以及簇的范围确定新的交易信息对应的簇。
在将历史交易信息分成多个簇后,可以确定每个簇中获取风险等级大于第一风险阈值的历史交易信息,并确定风险等级大于第一风险阈值的历史交易信息的数量,即可通过数量确定每个簇对应的第二风险概率。
例如,第一风险阈值可以为90%概率为高风险的历史交易信息,此时,可以判断每个簇中高风险概率大于90%的历史交易信息的数量,并根据数量确定每个簇的风险等级,数量阈值可以为50%,当一个簇中有大于50%的历史交易信息的风险等级为90%概率为高风险,则可以确定该簇的风险等级为高风险,当一个簇中有小于50%的历史交易信息的风险等级为90%概率为高风险,则可以确定该簇的风险等级为低风险。需要说明的是,本申请中数量阈值可以为一个或多个,簇的风险等级种类也可以为两个或更多,从而更准确和多样的确定交易信息的风险等级,以供不同的风险场景应用。本实施例达到了提高目标聚类分析模型对交易信息的风险等级判断的准确率的效果。
步骤S104,计算第一风险概率和第二风险概率的差值,得到第一差值。
具体的,第一风险概率与第二风险概率可能不完全相同,此时,需要根据两者之间的差异大小判断是否可以直接使用第一风险概率与第二风险概率确定交易信息的风险等级。
步骤S105,依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
具体的,在第一风险概率与第二风险概率之间的差异过大的情况下,可能由于某个模型的判断错误造成的,此时,可以根据交易信息中的交易特征等信息再次进行判断,从而从第一风险概率与第二风险概率中选择出正确的风险判断结果。
本申请实施例提供的交易风险的确定方法,通过获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级,解决了相关技术中无法高效准确地对交易进行风险管控的问题。通过目标分类模型和目标聚类分析模型对交易信息同时进行判断,并将判断结果进行对比,并通过判断结果与交易信息再次进行综合判断,从而确定交易风险,进而达到了准确高效的对交易进行风险管控的效果。
为了判断第一风险概率与第二风险概率中是否有错误判断,可选地,依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级包括:判断第一差值是否在预设范围内;在第一差值在预设范围内的情况下,根据第一风险概率或第二风险概率确定交易信息对应的风险等级;在第一差值不在预设范围内的情况下,根据交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
具体的,第一差值可以为第一风险概率与第二风险概率之间的差异,当第一差值在预设范围内,证明第一风险概率与第二风险概率差异不大,可以确定第一风险概率与第二风险概率对交易信息的判断正确,所以可以在第一风险概率与第二风险概率之间任意选择一个风险概率作为交易信息的风险等级。
当第一差值不在预设范围内的情况下,证明第一风险概率与第二风险概率之间的差异过大,也即第一风险概率与第二风险概率之中存在错误的风险概率。此时,需要通过交易信息中的特征信息对应的风险等级进行综合判断,从而从第一风险概率与第二风险概率之间选择出正确的风险概率作为交易信息的风险等级。
可选地,在本申请实施例提供的交易风险的确定方法中,在第一差值不在预设范围内的情况下,根据交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级包括:将交易信息输入等级确定模型,得到交易信息对应的第三风险概率;计算第三风险概率与第一风险概率之间的差值,得到第二差值;计算第三风险概率与第二风险概率之间的差值,得到第三差值;在第二差值大于第三差值的情况下,将第二风险概率对应的风险等级确定为交易信息的风险等级;在第二差值小于第三差值的情况下,将第一风险概率对应的风险等级确定为交易信息的风险等级;在第一差值等于第二差值的情况下,从第一风险概率和第二风险概率中确定高风险概率,并将高风险概率对应的风险等级确定为交易信息的风险等级。
具体的,在第一差值不在预设范围内的情况下,需要将交易信息输入等级确定模型中,通过等级确定模型确定交易信息的第三风险概率,并将第三风险概率与第一风险概率和第二风险概率进行对比,从而判断第三风险概率与第一风险概率和第二风险概率中的哪个风险概率最接近,从而将与第三风险概率最接近的风险概率确定为交易信息对应的风险等级。
需要说明的是,当第三风险概率与第一风险概率和第二风险概率之间的差异相同时,为了避免高风险交易被通过筛选,所以将第一风险概率和第二风险概率中较高的风险概率确定为交易信息对应的风险等级。本实施例达到了准确确定交易信息的风险等级,同时避免高风险等级的交易信息被误判的效果。
可选地,在本申请实施例提供的交易风险的确定方法中,将交易信息输入等级确定模型,得到交易信息对应的第三风险概率包括:获取交易信息的特征信息,得到至少一个特征信息;分别确定至少一个特征信息的特征风险概率,得到至少一个特征风险概率;根据至少一个特征风险概率确定交易信息的风险概率,得到第三风险概率。
具体的,在等级确定模型中,存储多个特征信息对应的风险等级,可以根据交易信息对应的特征信息对应的风险等级确定该交易信息的风险等级,从而得到第三风险概率。在使用等级确定模型之前,可以通过历史交易信息确定各个特征信息对应的风险等级,其中,历史交易信息均为高风险的交易信息。对于连续性的特征,例如交易发起的时间间隔、发起次数等,可以评估该特征信息在风险交易数据集中的一致性,并且评估该特征信息在风险交易和正常交易方方差是否有明显差异,从而根据一致性和方差差异输出,以及该特征信息对应的交易信息的风险等级确定该特征信息的风险等级;对于非连续特征,对取值进行遍历,分析不同取值的诈骗占比,寻找最可能诈骗的特征分布;对现有系统已有的专家特征,例如域名、账户、手机号、设备画像等进行统计分析,帮助发现欺诈交易其它特征,从而对不同性质的特征信息进行准确的风险等级确定。
例如,获取所有高风险交易时间,并判断交易时间,发现交易时间大多在0点-3点之间,此时,获取低风险交易信息的交易时间,发现交易时间大多在12点-15点之间,则可以确定0点-3点这个特征信息对应的风险等级为高风险。
在确定不同特征信息对应的风险等级后,可以通过机器学习或人工识别的方式确定第三风险概率,并根据第三风险概率确定交易信息的风险等级。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种交易风险的确定装置,需要说明的是,本申请实施例的交易风险的确定装置可以用于执行本申请实施例所提供的用于交易风险的确定方法。以下对本申请实施例提供的交易风险的确定装置进行介绍。
图3是根据本申请实施例的交易风险的确定装置的示意图。如图3所示,该装置包括:第一获取单元31,第一输入单元32,第二输入单元33,计算单元34,确定单元35。
第一获取单元31,用于获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;
第一输入单元32,用于将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;
第二输入单元33,用于将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;
计算单元34,用于计算第一风险概率和第二风险概率的差值,得到第一差值;
确定单元35,用于依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
本申请实施例提供的交易风险的确定装置,通过第一获取单元31获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;第一输入单元32将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;第二输入单元33将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算单元34计算第一风险概率和第二风险概率的差值,得到第一差值;确定单元35依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。解决了相关技术中无法高效准确地对交易进行风险管控的问题。通过目标分类模型和目标聚类分析模型对交易信息同时进行判断,并将判断结果进行对比,并通过判断结果与交易信息再次进行综合判断,从而确定交易风险,进而达到了准确高效的对交易进行风险管控的效果。
可选地,在本申请实施例提供的交易风险的确定装置中,确定单元35包括:判断子单元,用于判断第一差值是否在预设范围内;第一确定子单元,用于在第一差值在预设范围内的情况下,根据第一风险概率或第二风险概率确定交易信息对应的风险等级;第二确定子单元,用于在第一差值不在预设范围内的情况下,根据交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
可选地,在本申请实施例提供的交易风险的确定装置中,第二确定子单元包括:输入模块,用于将交易信息输入等级确定模型,得到交易信息对应的第三风险概率;计算模块,用于计算第三风险概率与第一风险概率之间的差值,得到第二差值;第二计算模块,用于计算第三风险概率与第二风险概率之间的差值,得到第三差值;第一确定模块,用于在第二差值大于第三差值的情况下,将第二风险概率对应的风险等级确定为交易信息的风险等级;第二确定模块,用于在第二差值小于第三差值的情况下,将第一风险概率对应的风险等级确定为交易信息的风险等级;第三确定模块,用于在第一差值等于第二差值的情况下,从第一风险概率和第二风险概率中确定高风险概率,并将高风险概率对应的风险等级确定为交易信息的风险等级。
可选地,在本申请实施例提供的交易风险的确定装置中,输入模块包括:获取子模块,用于获取交易信息的特征信息,得到至少一个特征信息;第一确定子模块,用于分别确定至少一个特征信息的特征风险概率,得到至少一个特征风险概率;第二确定子模块,用于根据至少一个特征风险概率确定交易信息的风险概率,得到第三风险概率。
可选地,在本申请实施例提供的交易风险的确定装置中,该装置还包括:第二获取单元,用于获取第一样本信息,其中,第一样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;第一训练单元,用于通过第一样本信息对初始分类模型进行学习训练,得到目标分类模型。
可选地,在本申请实施例提供的交易风险的确定装置中,目标分类模型为半监督图神经网络模型,第二获取单元包括:第一获取子单元,用于获取多个历史交易信息以及每个历史交易信息对应的风险等级,其中,历史交易信息中包括以下至少之一:历史用户数据、历史商户数据;第一确定子单元,用于将每个历史用户数据确定为源节点,将每个历史商户数据确定为目标节点,将历史用户与历史商户之间的交易关系确定为有向边,将交易关系对应的历史交易信息的风险等级确定为有向边的数值,得到多个历史交易信息对应的有向图结构数据;第二确定子单元,用于将有向图结构数据确定为第一样本信息。
可选地,在本申请实施例提供的交易风险的确定装置中,该装置还包括:第三获取单元,用于获取第二样本信息,其中,第二样本信息包括多个历史交易信息以及每个历史交易信息对应的风险等级;第二训练单元,用于通过第二样本信息对初始聚类分析模型进行训练,得到目标聚类分析模型。
可选地,在本申请实施例提供的交易风险的确定装置中,第二训练单元包括:生成子单元,用于在初始聚类分析模型中随机生成多个簇中心;计算子单元,用于计算每个历史交易信息对应的归属簇,并更新每个归属簇的中心点,得到多个簇;第二获取子单元,用于从每个簇中获取风险等级大于第一风险阈值的历史交易信息,得到目标数量的历史交易信息;第三确定子单元,用于根据目标数量的历史交易信息确定各个簇对应的风险等级,并根据各个簇以及每个簇对应的风险等级确定目标聚类分析模型,其中,在目标数量大于等于数量阈值的情况下,将簇对应的风险等级确定为第一风险等级;第四确定子单元,用于在目标数量小于数量阈值的情况下,将簇对应的风险等级确定为第二风险等级,其中,第一风险等级的风险程度高于第二风险等级的风险程度。
上述交易风险的确定装置包括处理器和存储器,上述第一获取单元31,第一输入单元32,第二输入单元33,计算单元34,确定单元35等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决了相关技术中无法高效准确地对交易进行风险管控的问题。
存储器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),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述交易风险的确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述交易风险的确定方法。
如图4所示,本发明实施例提供了一种电子设备,电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取用户与商户交易时产生的交易信息,其中,交易信息包括以下至少之一:用户数据、商户数据;将交易信息输入目标分类模型,得到交易信息对应的第一风险概率;将交易信息输入目标聚类分析模型,得到交易信息对应的第二风险概率;计算第一风险概率和第二风险概率的差值,得到第一差值;依据第一差值、交易信息、第一风险概率和第二风险概率确定交易信息对应的风险等级。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
存储器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)。存储器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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种交易风险的确定方法,其特征在于,包括:
获取用户与商户交易时产生的交易信息,其中,所述交易信息包括以下至少之一:用户数据、商户数据;
将所述交易信息输入目标分类模型,得到所述交易信息对应的第一风险概率;
将所述交易信息输入目标聚类分析模型,得到所述交易信息对应的第二风险概率;
计算所述第一风险概率和所述第二风险概率的差值,得到第一差值;
依据所述第一差值、所述交易信息、所述第一风险概率和所述第二风险概率确定所述交易信息对应的风险等级。
2.根据权利要求1所述的方法,其特征在于,依据所述第一差值、所述交易信息、所述第一风险概率和所述第二风险概率确定所述交易信息对应的风险等级包括:
判断所述第一差值是否在预设范围内;
在所述第一差值在所述预设范围内的情况下,根据所述第一风险概率或所述第二风险概率确定所述交易信息对应的风险等级;
在所述第一差值不在所述预设范围内的情况下,根据所述交易信息、所述第一风险概率和所述第二风险概率确定所述交易信息对应的风险等级。
3.根据权利要求2所述的方法,其特征在于,在所述第一差值不在所述预设范围内的情况下,根据所述交易信息、所述第一风险概率和所述第二风险概率确定所述交易信息对应的风险等级包括:
将所述交易信息输入等级确定模型,得到所述交易信息对应的第三风险概率;
计算所述第三风险概率与所述第一风险概率之间的差值,得到第二差值;
计算所述第三风险概率与所述第二风险概率之间的差值,得到第三差值;
在所述第二差值大于所述第三差值的情况下,将所述第二风险概率对应的风险等级确定为所述交易信息的风险等级;
在所述第二差值小于所述第三差值的情况下,将所述第一风险概率对应的风险等级确定为所述交易信息的风险等级;
在所述第一差值等于所述第二差值的情况下,从所述第一风险概率和所述第二风险概率中确定高风险概率,并将所述高风险概率对应的风险等级确定为所述交易信息的风险等级。
4.根据权利要求3所述的方法,其特征在于,将所述交易信息输入等级确定模型,得到所述交易信息对应的第三风险概率包括:
获取所述交易信息的特征信息,得到至少一个所述特征信息;
分别确定至少一个所述特征信息的特征风险概率,得到至少一个特征风险概率;
根据所述至少一个特征风险概率确定所述交易信息的风险概率,得到所述第三风险概率。
5.根据权利要求1所述的方法,其特征在于,在将所述交易信息输入目标分类模型,得到所述交易信息对应的第一风险概率之前,所述方法还包括:
获取第一样本信息,其中,所述第一样本信息包括多个历史交易信息以及每个所述历史交易信息对应的风险等级;
通过第一样本信息对初始分类模型进行学习训练,得到所述目标分类模型。
6.根据权利要求5所述的方法,其特征在于,所述目标分类模型为半监督图神经网络模型,获取第一样本信息包括:
获取所述多个历史交易信息以及每个所述历史交易信息对应的风险等级,其中,所述历史交易信息中包括以下至少之一:历史用户数据、历史商户数据;
将每个所述历史用户数据确定为源节点,将每个所述历史商户数据确定为目标节点,将所述历史用户与所述历史商户之间的交易关系确定为有向边,将所述交易关系对应的历史交易信息的风险等级确定为所述有向边的数值,得到所述多个历史交易信息对应的有向图结构数据;
将所述有向图结构数据确定为所述第一样本信息。
7.根据权利要求1所述的方法,其特征在于,在将所述交易信息输入目标聚类分析模型,得到所述交易信息对应的第二风险概率之前,所述方法还包括:
获取第二样本信息,其中,所述第二样本信息包括多个历史交易信息以及每个所述历史交易信息对应的风险等级;
通过第二样本信息对初始聚类分析模型进行训练,得到所述目标聚类分析模型。
8.根据权利要求7所述的方法,其特征在于,通过第二样本信息对初始聚类分析模型进行训练,得到所述目标聚类分析模型包括:
在所述初始聚类分析模型中随机生成多个簇中心;
计算每个所述历史交易信息对应的归属簇,并更新每个所述归属簇的中心点,得到多个簇;
从每个所述簇中获取风险等级大于第一风险阈值的所述历史交易信息,得到目标数量的历史交易信息;
根据所述目标数量的历史交易信息确定各个所述簇对应的风险等级,并根据各个所述簇以及每个所述簇对应的风险等级确定所述目标聚类分析模型,其中,在所述目标数量大于等于数量阈值的情况下,将所述簇对应的风险等级确定为第一风险等级;在所述目标数量小于数量阈值的情况下,将所述簇对应的风险等级确定为第二风险等级,其中,所述第一风险等级的风险程度高于所述第二风险等级的风险程度。
9.一种交易风险的确定装置,其特征在于,包括:
第一获取单元,用于获取用户与商户交易时产生的交易信息,其中,所述交易信息包括以下至少之一:用户数据、商户数据;
第一输入单元,用于将所述交易信息输入目标分类模型,得到所述交易信息对应的第一风险概率;
第二输入单元,用于将所述交易信息输入目标聚类分析模型,得到所述交易信息对应的第二风险概率;
计算单元,用于计算所述第一风险概率和所述第二风险概率的差值,得到第一差值;
确定单元,用于依据所述第一差值、所述交易信息、所述第一风险概率和所述第二风险概率确定所述交易信息对应的风险等级。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,其中,所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至8中任意一项所述的交易风险的确定方法。
11.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的交易风险的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210505436.0A CN114881658A (zh) | 2022-05-10 | 2022-05-10 | 交易风险的确定方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210505436.0A CN114881658A (zh) | 2022-05-10 | 2022-05-10 | 交易风险的确定方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881658A true CN114881658A (zh) | 2022-08-09 |
Family
ID=82675687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210505436.0A Pending CN114881658A (zh) | 2022-05-10 | 2022-05-10 | 交易风险的确定方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881658A (zh) |
-
2022
- 2022-05-10 CN CN202210505436.0A patent/CN114881658A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755280B2 (en) | Segmented data analysis using dynamic peer groupings and automated rule implementation platform | |
US20220253856A1 (en) | System and method for machine learning based detection of fraud | |
CN112733995B (zh) | 训练神经网络的方法、行为检测方法及行为检测装置 | |
US10489865B1 (en) | Framework for cash-flow forecasting | |
CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
US20220277323A1 (en) | Predicting future occurrences of targeted events using trained artificial-intelligence processes | |
US20220277227A1 (en) | Predicting occurrences of targeted classes of events using trained artificial-intelligence processes | |
CN113743678B (zh) | 一种用户信用评分预测方法及相关设备 | |
US20240095457A1 (en) | Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models | |
Speakman et al. | Three population covariate shift for mobile phone-based credit scoring | |
CA3037134A1 (en) | Systems and methods of generating a pooled investment vehicle using shared data | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
US11789984B2 (en) | Methods and systems for classifying database records by introducing time dependency into time-homogeneous probability models | |
US20150287020A1 (en) | Inferring cardholder from known locations | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN114881658A (zh) | 交易风险的确定方法、装置、存储介质以及电子设备 | |
Huang et al. | Time series analysis and prediction on bitcoin | |
CN113256401A (zh) | 一种贷前域外用户拦截方法、装置、服务器及存储介质 | |
CN112150276A (zh) | 一种机器学习模型的训练方法、使用方法、装置和设备 | |
KR102409019B1 (ko) | 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 | |
CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
US20220207430A1 (en) | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data |
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 |