CN116342281A - 一种交易事件的风险感知方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种交易事件的风险感知方法、装置及设备，该方法包括：获取预设时长内产生的交易事件的信息；基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

Description

一种交易事件的风险感知方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种交易事件的风险感知方法、装置及设备。

背景技术

由于金融机构(尤其是互联网金融机构)涉及大量金融交易，因此，很容易被黑产所关注，随着网络技术的不断发展，电信欺诈成为黑产常用的重要欺诈方式之一，然而，仍然会有很多的风险是目前已有的策略或算法是无法覆盖的，这样，就对风险的感知提出了新的需求，感知算法不仅要感知风险的水位及其变化情况，还需要能够及时发现风险的异动。

通常，可以使用用户打标的方式，识别出一个存在预设风险的用户池，然后，对涉及上述用户的交易进行管控，但是，上述方式对于用户的风险识别结果需要比较准确，且对于阈值切分比较敏感，此外，用户存在的预设风险可能是由于某一次或多次交易被定性为存在预设风险，这样会导致该用户在其他交易也被标记为上述风险。为此，需要提供一种更优的风险感知机制，以减少阈值切分的敏感性，并提供一种更细致的风险积累方式，使得交易直接与预设风险相关联。

发明内容

本说明书实施例的目的是提供一种更优的风险感知机制，以减少阈值切分的敏感性，并提供一种更细致的风险积累方式，使得交易直接与预设风险相关联。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种交易事件的风险感知方法，所述方法包括：获取预设时长内产生的交易事件的信息。基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息。分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度。基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书实施例提供的一种交易事件的风险感知装置，所述装置包括：信息获取模块，获取预设时长内产生的交易事件的信息。信息处理模块，基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息。概率确定模块，分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度。风险感知模块，基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书实施例提供的一种交易事件的风险感知设备，所述交易事件的风险感知设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取预设时长内产生的交易事件的信息。基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息。分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度。基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取预设时长内产生的交易事件的信息。基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息。分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度。基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本说明书一种交易事件的风险感知方法实施例；

图2为本说明书另一种交易事件的风险感知方法实施例；

图3为本说明书一种交易事件的风险感知过程的示意图；

图4为本说明书一种交易事件的风险感知装置实施例；

图5为本说明书一种交易事件的风险感知设备实施例。

具体实施方式

本说明书实施例提供一种交易事件的风险感知方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

本说明书实施例提供一种渠道感知机制，通过该渠道感知机制可以实现：统计预设时长(如最近1天或最近1周等)的交易事件的相关数据，从而确定相应的渠道风险水位以及风险水位的波动情况，这样，对于风险水位排名靠前(或风险水位排名达到预定排名位置)和渠道风险水位波动率靠前(或渠道风险水位波动率达到预定波动率)的客户给予相应的风险预警。此外，还可以确定渠道风险归因，即将渠道发生异动的原因计算出来，以确定渠道发生异动的原因主要是当前交易渠道中存在的非法交易增加，还是特殊时段(如凌晨1点-3点的时间段等)交易增加造成的。具体处理可以参见下述实施例中的具体内容。

实施例一

如图1所示，本说明书实施例提供一种交易事件的风险感知方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S102中，获取预设时长内产生的交易事件的信息。

其中，预设时长可以是任意时长，例如，从当前时刻作为终止时间，该终止时间之前的24小时，或者，过去的某一天或连续的多天，或者，过去的一天或多天中每天的指定时间段等，具体可以根据实际情况设定，本说明书实施例对不做限定。交易事件可以是针对金融机构中的用户在该金融机构的网站中进行某操作而被抽象成的一种事件类型，交易事件可以包括多种，例如通过在线支付应用给通讯账号充值、通过在线支付应用为购买的商品进行支付、通过在线支付应用给好友转账等，具体可以根据实际情况设定，本说明书实施例对此不做限定。交易事件的信息可以包括多种，例如，可以包括交易事件的编码、交易事件的发起时间、交易事件的发起位置、交易事件对应的交易数据(如交易双方的相关信息、交易金额等)等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，由于金融机构(尤其是互联网金融机构)涉及大量金融交易，因此，很容易被黑产所关注，随着网络技术的不断发展，电信欺诈成为黑产常用的重要欺诈方式之一，然而，仍然会有很多的风险是目前已有的策略或算法是无法覆盖的，上述风险主要是一些新的风险模式，因此，在过去的风险数据中是尚未覆盖或新的风险分布与当前的风险分布是不一致的，这样，就对风险的感知提出了新的需求，感知算法不仅要感知风险的水位及其变化情况，还需要能够及时发现风险的异动。

通常，可以使用用户打标的方式，识别出一个存在预设风险的用户池，然后，对涉及上述用户的交易进行管控，但是，上述方式对于用户的风险识别结果需要比较准确，且对于阈值切分比较敏感，此外，用户存在的预设风险可能是由于某一次或多次交易被定性为存在预设风险，这样会导致该用户在其他交易也被标记为上述风险。为此，需要提供一种更优的风险感知机制，以减少阈值切分的敏感性，并提供一种更细致的风险积累方式，使得交易直接与预设风险相关联，并可以找出风险归因。本说明书实施例提供一种可实现的技术方案，具体可以包括以下内容。

金融机构(尤其是互联网金融机构)每天会有大量的金融交易，上述金融交易可以是针对某一个用户的金融交易，也可以是针对多个不同的指定用户的金融交易，基于此，可以记录每个金融交易的相关信息。当需要对指定的时间段内的数据进行风险感知处理时，可以将上述涉及的金融交易抽象为一个交易事件，并可以基于上述指定的时间段确定需要提取的数据所在的时间段和时长，然后，可以从上述记录的相关信息中获取预设时长内产生的交易事件的信息。在实际应用中，获取预设时长内产生的交易事件的信息的处理还可以包括多种不同的方式，再例如，可以设置指定的数据库，该数据库中可以包括一个或多个交易事件，且上述交易事件是指定时间段内产生的交易事件，当需要对指定的时间段内的数据进行风险感知处理时，可以从指定的数据库中获取预设时长内产生的交易事件的信息。上述仅是两种可实现的处理方式，在实际应用中，还可以包括多种不同的处理方式，具体可以根据实际情况设定，在此不再赘述。

在步骤S104中，基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息。

其中，交易渠道信息可以包括多种，具体如交易渠道的标识、编码、名称等，具体可以根据实际情况设定，本说明书实施例对此不做限定。交易渠道信息对应的交易渠道可以包括多种，具体如通讯账号充值渠道、支付渠道、转账渠道等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，针对每个交易事件，可以对该交易事件的信息进行特征提取，得到该交易事件对应的特征，此外，还可以从该交易事件的信息中获取该交易事件对应的交易渠道的交易渠道信息，通过上述方式，可以得到每个交易事件对应的特征和每个交易事件对应的交易渠道信息。

需要说明的是，交易事件对应的特征可以包括表格型特征，每个特征可以用于描述该交易事件本身的一些属性，对于某交易事件对应的特征可以如表1所示。

表1

交易发起方的账户标识	交易目标方的账户标识	交易时间	交易金额
				A	B	10:07:26	50元

在步骤S106中，分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，目标模型用于确定该交易事件存在预设风险的可疑程度。

其中，目标模型可以是通过指定的算法构建的模型，其中的指定的算法可以包括分类算法、神经网络算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。目标模型可以用于确定某交易事件的可疑程度，从而确定该交易事件是否存在预设风险。

在实施中，可以获取相应的算法，并可以基于该算法构建目标模型，该目标模型的输入数据可以为交易事件对应的特征等，输出数据可以为该交易事件的可疑程度，具体如，目标模型可以包含一个二分类的树模型，树模型的输入数据可以为交易事件对应的特征，树模型输出的叶子结点编码可以作为每个交易事件存在预设风险的概率。或者，目标模型可以包括一个二分类的包含自注意力机制的神经网络模型，其输入数据可以为交易事件对应的特征，最终神经网络模型计算输出的注意力值为最终每个交易事件存在预设风险的概率等。然后，可以获取用于训练目标模型的训练样本(即历史交易事件对应的特征)，可以使用该训练样本对目标模型进行模型训练，在进行模型训练的过程中，可以预先设定目标函数，可以基于该目标函数对目标模型中的模型参数进行优化处理，最终得到训练后的目标模型。之后，针对某一个交易事件，可以将该交易事件对应的特征输入到上述训练后的目标模型中，得到该交易事件的可疑程度，即该交易事件存在预设风险的概率。可以基于该交易事件的可疑程度确定该交易是否存在预设风险。

在步骤S108中，基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息。

其中，风险归因信息可以是引起预设风险的因素的信息，在实际应用中，风险归因信息可以具体如当前交易渠道中存在的非法交易增加而引起预设风险或者在特殊时段(如凌晨1点-3点的时间段等)交易增加而引起预设风险等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，针对任一个交易事件，通过上述方式，可以得到该交易事件存在预设风险的概率，以及该交易事件对应的交易渠道信息，可以根据该交易事件对应的交易渠道信息确定相应的第一交易渠道，可以获取所属的交易渠道为第一交易渠道的交易事件，可以根据属于第一交易渠道的交易事件中的每个交易事件存在预设风险的概率，使用预设的算法进行计算，得到的计算结果，可以作为第一交易渠道针对预设风险的风险表征信息，例如，可以属于第一交易渠道的交易事件中的每个交易事件存在预设风险的概率，计算概率的平均值，具体如，属于第一交易渠道的交易事件包括交易事件1、交易事件2和交易事件3，其中，交易事件1存在预设风险的概率为0.3、交易事件2存在预设风险的概率为0.2和交易事件3存在预设风险的概率为0.1，则计算得到的概率的平均值可以为(0.3+0.2+0.1)/3＝0.2，可以将0.2作为第一交易渠道针对预设风险的风险表征信息，或者，也可以将第一交易渠道中的包含的交易事件对应的概率的和作为第一交易渠道针对预设风险的风险表征信息，即基于上述示例，可以将(0.3+0.2+0.1)＝0.6作为第一交易渠道针对预设风险的风险表征信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

此外，还可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定每种交易渠道的风险归因信息，具体地，可以根据某一个交易事件对应的交易渠道信息确定相应的第二交易渠道，可以获取所属的交易渠道为第二交易渠道的交易事件，可以根据属于第二交易渠道的交易事件中的每个交易事件存在预设风险的概率，查找其中数值大于预设阈值的概率，可以基于得到的第二交易渠道中数值大于预设阈值的概率的交易事件，确定第二交易渠道的风险归因信息，具体如，可以将第二交易渠道中数值大于预设阈值的概率的交易事件作为第二交易渠道的风险归因信息。上述处理方式仅是一种可实现的处理方式，在实际应用中，还可以包括多种不同的处理方式具体可以根据实际情况设定，在此不再赘述。

本说明书实施例提供一种交易事件的风险感知方法，通过获取预设时长内产生的交易事件的信息，然后，可以基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息，之后，可以分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，最终，可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息，这样，本说明书实施例提出了一种基于交易事件的风险累积方式，该方式是一种更优的风险感知机制，其中，交易事件粒度相比于客户粒度等更加细致，并且可以直接与预设风险相关联，从而不仅可以减少阈值切分的敏感性，此外，在业务上提出了渠道感知中应该能知道当前交易渠道的风险主要集中在哪些问题中(即每种交易渠道的风险归因信息)，例如是否是在特殊时段(如凌晨1点-3点的时间段等)交易过多或者当前交易渠道中存在的非法交易增加等。

实施例二

如图2所示，本说明书实施例提供一种交易事件的风险感知方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S202中，获取预设时长内产生的交易事件的信息。

在实施中，例如，本实施例中的渠道感知机制的计算维度为预设时长，具体如一个自然日，对于一个自然日，可以有n(n可以为大于或等于1的正整数)个交易事件发生，则可以获取上述一个自然日内产生的n个交易事件的信息。

在步骤S204中，基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息。

在实施中，如图3所示，对于预设时长dt内，可以有n(n可以为大于或等于1的正整数)个交易事件发生，可以对每个交易事件进行特征提取，可以得到每个交易事件包括的k(k可以为大于或等于1的正整数)个特征。可以预先定义m个交易渠道，可以基于每个交易事件的信息确定每个交易事件对应的交易渠道，进而可以确定每个交易事件对应的交易渠道信息，即

其中，event_dt表示预设时长dt内的交易事件，x_n,k表示第n个交易事件中的第k个特征，event_n表示第n个交易事件，channel_X表示m个交易渠道中的一个交易渠道，channel_XX表示m个交易渠道中的另一个交易渠道，channel_XXX表示m个交易渠道中的又一个交易渠道。

在步骤S206中，分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，目标模型用于确定该交易事件存在预设风险的可疑程度。

其中，目标模型可以是用于分类的模型，且目标模型为树结构的模型，或者，目标模型可以是用于分类的模型，且目标模型为基于神经网络构建的模型。在实际应用中，如图3所示，目标模型具体可以由极致的梯度提升XGB算法构建，或者，目标模型可以由轻量的梯度提升机LGB算法构建等。预设风险可以包括多种，例如，预设风险可以包括欺诈风险、非法交易风险中的一种或多种等。

在实施中，为了确定每个交易事件存在预设风险的概率，需要训练一个目标模型，目标模型可以为分类模型，目标模型的评价粒度可以是一个交易事件，目标模型需要感知的粒度是交易渠道，上述的每个交易事件可以唯一划分到一个预先定义的交易渠道中，具体地，例如，目标模型可以包含一个树模型，通常可以使用XGB(即XGBoost)算法构建树模型或使用LGB(即LightGBM)算法构建树模型，还可以使用神经网络构建目标模型，其中的神经网络的结构可以多种多样，例如，该神经网络中可以包括Embedding层、Multi-head selfattention层、全连接层和softmax层等网络层，具体也可以根据实际情况设定。然后，可以获取历史交易事件的信息和历史交易事件对应的交易渠道信息对上述目标模型进行模型训练，得到训练后的目标模型。

如图3所示，可以分别将每个交易事件对应的特征输入到训练后的目标模型(使用XGB算法构建的树模型或使用LGB算法构建的树模型，为了描述方便图3中用XGB/LGB模型表示，或使用神经网络构建的目标模型，为了描述方便图3中用NN模型表示)中，得到每个交易事件存在预设风险的概率(或者也可以称为每个交易事件存在预设风险的打分值，该打分值的取值范围为0～1，图3中以此为例进行说明，即score即为打分值)。

在步骤S208中，基于每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道。

在步骤S210中，统计每种交易渠道中包含的交易事件存在预设风险的概率，得到每种交易渠道针对预设风险的风险表征信息。

在实施中，如图3所示，对于某一种交易渠道(为了后续叙述方便，可以称为第一交易渠道ch₁)，可以获取属于第一交易渠道的交易事件，可以将属于第一交易渠道的交易事件的上述概率相加，得到的结果可以作为第一交易渠道针对预设风险的风险表征信息，通过上述方式，可以得到每种交易渠道针对预设风险的风险表征信息，即

其中，channel_dt表示预设时长dt内的交易事件所属的交易渠道，event_i表示第i个交易事件，event_p表示第p个交易事件，event_q表示第q个交易事件，ch_j表示第j个交易渠道，ch_m表示第m个交易渠道，score(channel_m)表示第m个交易渠道针对预设风险的风险表征信息。

在步骤S212中，基于每个交易事件存在预设风险的概率和每个交易事件对应的特征，确定每种交易渠道对应的特征重要度。

在实施中，可以根据某一交易事件存在预设风险的概率，可以将该概率分配到该交易事件对应的特征上，可以基于分配结果确定每种交易渠道对应的特征重要度。

上述步骤S212的具体处理可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下内容：基于每个交易事件存在预设风险的概率和每个交易事件对应的特征，使用沙普利加法解释SHAP算法或局部可解释模型不可知解释LIME算法，确定每种交易渠道对应的特征重要度。

在实施中，可以根据构建目标模型所使用的算法的不同，确定特征重要度需要使用的算法，例如，如果目标模型为用于分类的树模型，则可以使用推家Tree-SHAP算法确定每种交易渠道对应的特征重要度，从而最终得到预设时长内交易渠道的特征可解释的结果。上述确定每种交易渠道对应的特征重要度的具体处理过程，可以根据SHAP算法或LIME算法所指示的处理过程和处理方式确定每种交易渠道对应的特征重要度，在此不再赘述。

在步骤S214中，基于每种交易渠道对应的特征重要度，确定每种交易渠道的风险归因信息。

在实施中，如图3所示，可以将每个交易渠道对应的特征重要度的数值累计，用特征重要度的数值累计结果的绝对值或者波动率作为归因结果，从而可以确定每种交易渠道的风险归因信息，即

其中，explain_dt表示预设时长内的交易事件所属的交易渠道的风险归因信息，

表示预设时长内的交易事件所属的交易渠道的风险归因信息中的由交易渠道和交易事件对应的特征构建的一个风险归因元素，/>

表示预设时长内的交易事件所属的交易渠道的风险归因信息中的由交易渠道和交易事件对应的特征构建的另一个风险归因元素。至此实现从交易事件识别到渠道感知及其风险归因的全过程。

在步骤S216中，获取目标用户发起的目标交易事件对应的特征。

在步骤S218中，将目标交易事件对应的特征输入到目标模型中，得到目标交易事件存在预设风险的概率。

在步骤S220中，基于目标交易事件存在预设风险的概率和目标交易事件对应的交易渠道的针对预设风险的风险表征信息，对目标用户进行风险预警处理。

在实施中，如果目标交易事件存在预设风险的概率超过目标交易事件对应的交易渠道的针对预设风险的风险表征信息，则可以确定目标用户可能存在预设风险，此时，可以对目标用户进行风险预警处理。

本说明书实施例提供一种交易事件的风险感知方法，通过获取预设时长内产生的交易事件的信息，然后，可以基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息，之后，可以分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，最终，可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息，这样，本说明书实施例提出了一种基于交易事件的风险累积方式，该方式是一种更优的风险感知机制，其中，交易事件粒度相比于客户粒度等更加细致，并且可以直接与预设风险相关联，从而不仅可以减少阈值切分的敏感性，此外，在业务上提出了渠道感知中应该能知道当前交易渠道的风险主要集中在哪些问题中(即每种交易渠道的风险归因信息)，例如是否是在特殊时段(如凌晨1点-3点的时间段等)交易过多或者当前交易渠道中存在的非法交易增加等。

实施例三

以上为本说明书实施例提供的交易事件的风险感知方法，基于同样的思路，本说明书实施例还提供一种交易事件的风险感知装置，如图4所示。

该交易事件的风险感知装置包括：信息获取模块401、信息处理模块402、概率确定模块403和风险感知模块404，其中：

信息获取模块401，获取预设时长内产生的交易事件的信息；

信息处理模块402，基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

概率确定模块403，分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

风险感知模块404，基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书实施例中，所述风险感知模块404，包括：

第一渠道确定单元，基于每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道；

第一风险感知单元，统计每种所述交易渠道中包含的交易事件存在预设风险的概率，得到每种所述交易渠道针对所述预设风险的风险表征信息。

本说明书实施例中，所述风险感知模块404，包括：

第二渠道确定单元，基于每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道；

特征重要度确定单元，基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的特征，确定每种所述交易渠道对应的特征重要度；

第二风险感知单元，基于每种所述交易渠道对应的特征重要度，确定每种所述交易渠道的风险归因信息。

本说明书实施例中，所述特征重要度确定单元，基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的特征，使用沙普利加法解释SHAP算法或局部可解释模型不可知解释LIME算法，确定每种所述交易渠道对应的特征重要度。

本说明书实施例中，所述目标模型是用于分类的模型，且所述目标模型为树结构的模型，或者，所述目标模型是用于分类的模型，且所述目标模型为基于神经网络构建的模型。

本说明书实施例中，所述目标模型由极致的梯度提升XGB算法构建，或者，所述目标模型由轻量的梯度提升机LGB算法构建。

本说明书实施例中，所述装置还包括：

特征获取模块，获取目标用户发起的目标交易事件对应的特征；

处理模块，将所述目标交易事件对应的特征输入到所述目标模型中，得到所述目标交易事件存在预设风险的概率；

风险预警模块，基于所述目标交易事件存在预设风险的概率和所述目标交易事件对应的交易渠道的针对所述预设风险的风险表征信息，对所述目标用户进行风险预警处理。

本说明书实施例中，所述预设风险包括欺诈风险、非法交易风险中的一种或多种。

本说明书实施例提供一种交易事件的风险感知装置，通过获取预设时长内产生的交易事件的信息，然后，可以基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息，之后，可以分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，最终，可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息，这样，本说明书实施例提出了一种基于交易事件的风险累积方式，该方式是一种更优的风险感知机制，其中，交易事件粒度相比于客户粒度等更加细致，并且可以直接与预设风险相关联，从而不仅可以减少阈值切分的敏感性，此外，在业务上提出了渠道感知中应该能知道当前交易渠道的风险主要集中在哪些问题中(即每种交易渠道的风险归因信息)，例如是否是在特殊时段(如凌晨1点-3点的时间段等)交易过多或者当前交易渠道中存在的非法交易增加等。

实施例四

以上为本说明书实施例提供的交易事件的风险感知装置，基于同样的思路，本说明书实施例还提供一种交易事件的风险感知设备，如图5所示。

所述交易事件的风险感知设备可以为上述实施例提供终端设备或服务器等。

交易事件的风险感知设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对交易事件的风险感知设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在交易事件的风险感知设备上执行存储器502中的一系列计算机可执行指令。交易事件的风险感知设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

具体在本实施例中，交易事件的风险感知设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对交易事件的风险感知设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取预设时长内产生的交易事件的信息；

基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于交易事件的风险感知设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供一种交易事件的风险感知设备，通过获取预设时长内产生的交易事件的信息，然后，可以基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息，之后，可以分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，最终，可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息，这样，本说明书实施例提出了一种基于交易事件的风险累积方式，该方式是一种更优的风险感知机制，其中，交易事件粒度相比于客户粒度等更加细致，并且可以直接与预设风险相关联，从而不仅可以减少阈值切分的敏感性，此外，在业务上提出了渠道感知中应该能知道当前交易渠道的风险主要集中在哪些问题中(即每种交易渠道的风险归因信息)，例如是否是在特殊时段(如凌晨1点-3点的时间段等)交易过多或者当前交易渠道中存在的非法交易增加等。

实施例五

进一步地，基于上述图1到图3所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取预设时长内产生的交易事件的信息；

基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于上述一种存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供一种存储介质，通过获取预设时长内产生的交易事件的信息，然后，可以基于每个交易事件的信息，确定每个交易事件对应的特征和每个交易事件对应的交易渠道信息，之后，可以分别将每个交易事件对应的特征输入到预先训练的目标模型中，得到每个交易事件存在预设风险的概率，最终，可以基于每个交易事件存在预设风险的概率和每个交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种交易渠道针对预设风险的风险表征信息和/或每种交易渠道的风险归因信息，这样，本说明书实施例提出了一种基于交易事件的风险累积方式，该方式是一种更优的风险感知机制，其中，交易事件粒度相比于客户粒度等更加细致，并且可以直接与预设风险相关联，从而不仅可以减少阈值切分的敏感性，此外，在业务上提出了渠道感知中应该能知道当前交易渠道的风险主要集中在哪些问题中(即每种交易渠道的风险归因信息)，例如是否是在特殊时段(如凌晨1点-3点的时间段等)交易过多或者当前交易渠道中存在的非法交易增加等。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种交易事件的风险感知方法，所述方法包括：

获取预设时长内产生的交易事件的信息；

基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

2.根据权利要求1所述的方法，所述基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息，包括：

基于每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道；

统计每种所述交易渠道中包含的交易事件存在预设风险的概率，得到每种所述交易渠道针对所述预设风险的风险表征信息。

3.根据权利要求1所述的方法，所述基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定每种所述交易渠道的风险归因信息，包括：

基于每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道；

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的特征，确定每种所述交易渠道对应的特征重要度；

基于每种所述交易渠道对应的特征重要度，确定每种所述交易渠道的风险归因信息。

4.根据权利要求3所述的方法，所述基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的特征，确定每种所述交易渠道对应的特征重要度，包括：

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的特征，使用沙普利加法解释SHAP算法或局部可解释模型不可知解释LIME算法，确定每种所述交易渠道对应的特征重要度。

5.根据权利要求1所述的方法，所述目标模型是用于分类的模型，且所述目标模型为树结构的模型，或者，所述目标模型是用于分类的模型，且所述目标模型为基于神经网络构建的模型。

6.根据权利要求5所述的方法，所述目标模型由极致的梯度提升XGB算法构建，或者，所述目标模型由轻量的梯度提升机LGB算法构建。

7.根据权利要求1所述的方法，所述方法还包括：

获取目标用户发起的目标交易事件对应的特征；

将所述目标交易事件对应的特征输入到所述目标模型中，得到所述目标交易事件存在预设风险的概率；

基于所述目标交易事件存在预设风险的概率和所述目标交易事件对应的交易渠道的针对所述预设风险的风险表征信息，对所述目标用户进行风险预警处理。

8.根据权利要求1所述的方法，所述预设风险包括欺诈风险、非法交易风险中的一种或多种。

9.一种交易事件的风险感知装置，所述装置包括：

信息获取模块，获取预设时长内产生的交易事件的信息；

信息处理模块，基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

概率确定模块，分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

风险感知模块，基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

10.一种交易事件的风险感知设备，所述交易事件的风险感知设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取预设时长内产生的交易事件的信息；

基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；

分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；

基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。

Images