CN117455482A - 异常交易识别方法、装置、设备及可读存储介质 - Google Patents
异常交易识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117455482A CN117455482A CN202310872468.9A CN202310872468A CN117455482A CN 117455482 A CN117455482 A CN 117455482A CN 202310872468 A CN202310872468 A CN 202310872468A CN 117455482 A CN117455482 A CN 117455482A
- Authority
- CN
- China
- Prior art keywords
- transaction
- user
- information
- abnormal
- target user
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006399 behavior Effects 0.000 claims abstract description 172
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种异常交易识别方法、装置、设备及可读存储介质,本申请涉及金融科技技术领域,所述异常交易识别方法包括在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;依据所述用户信息,确定所述目标用户对应的各关联用户;在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。本申请解决了现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的问题。
Description
技术领域
本申请涉及金融科技技术领域,尤其涉及一种异常交易识别方法、装置、设备及可读存储介质。
背景技术
近年来,随着金融产业的迅猛发展,尤其是移动互联网技术的助力,金融服务的交易量增长迅速,金融服务是现代经济发展重要支柱之一,金融服务的交易场景也更加丰富。
目前,通常是通过校验用户在短时间内是否存在大于一定的消费频次的连续消费,来确定用户是否存在异常交易行为,但是在特殊场景下,例如在大型电商双十一促销活动中,用户必然会在短时间内存在大于预设消费频次的连续消费,此时这种消费行为属于正常交易行为,但会被误判为异常交易行为,因此,仅考虑用户自身的交易行为,无法确保异常交易识别的准确性。
发明内容
本申请的主要目的在于提供一种异常交易识别方法、装置、设备及可读存储介质,旨在解决现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。
为实现上述目的,本申请提供一种异常交易识别方法,所述异常交易识别方法包括:
在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
可选地,所述用户信息包括用户行为信息,所述依据所述用户信息,确定所述目标用户对应的各关联用户的步骤,包括:
依据所述目标用户的用户行为信息,在所述目标交易平台中筛选与所述目标用户存在关联关系的用户组成候选用户集合;
获取所述候选用户集合中各候选用户的用户行为信息,并确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度;
将所述行为信息相似度大于所述预设相似度的各候选用户作为所述目标用户对应的各所述关联用户。
可选地,所述确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度的步骤,包括:
对于任一所述候选用户,将所述目标用户的用户行为信息中各类型信息作为矩阵行元素,将所述候选用户的用户行为信息中各类型信息作为矩阵列元素,生成信息比对矩阵,其中,所述信息比对矩阵包括多组对角单元;
计算所述信息比对矩阵中各组对角单元信息编辑概率,以确定所述信息比对矩阵的总编辑概率,将所述总编辑概率作为所述目标用户的用户行为信息与所述候选用户的用户行为信息之间的行为信息相似度,其中,所述信息编辑概率是指将两个同类型的信息编辑成内容相同的信息所需的操作次数。
可选地,所述第一交易信息包括第一交易笔数占比,所述第二交易信息包括第二交易笔数占比,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
校验所述第一交易笔数占比是否大于所述第二交易笔数占比,其中,交易笔数占比是指异常交易笔数占所有交易笔数的占比;
若所述第一交易笔数占比不大于所述第二交易笔数占比,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比大于所述第二交易笔数占比,则查找所述第二交易笔数占比对应预设的交易占比范围,并校验所述第一交易笔数占比是否在所述交易占比范围内;
若所述第一交易笔数占比在所述交易占比范围内,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比不在所述交易占比范围内,则确定所述目标用户存在异常交易行为。
可选地,所述第一交易信息包括第一交易笔数波动幅度,所述第二交易信息包括第二交易笔数波动幅度,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
校验所述第一交易笔数波动幅度是否大于预设波动幅度;
若所述第一交易笔数波动幅度不大于所述预设波动幅度,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度大于所述预设波动幅度,则校验所述第一交易笔数波动幅度与所述第二交易笔数波动幅度是否匹配;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度匹配,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度不匹配,则确定所述目标用户存在异常交易行为。
可选地,所述异常交易识别方法还包括:
在所述交易周期内,获取所述目标用户在预设时间段内的目标交易数据;
校验所述目标交易数据中是否存在交易金额大于预设金额的交易数据;
若是,则执行所述获取目标用户在预设时间段内的异常交易数据中的第一交易信息的步骤;
若否,则获取所述目标交易数据中的目标交易笔数,并在上一交易周期内,获取所述目标用户在所述预设时间段内的历史交易数据中的历史交易笔数;
根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为。
可选地,所述根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为的步骤,包括:
根据所述目标交易笔数和所述历史交易笔数,计算所述目标用户对应的交易增长幅度;
若所述交易增长幅度大于预设增长幅度,则确定所述目标用户存在异常交易行为;
若所述交易增长幅度不大于所述预设增长幅度,则确定所述目标用户不存在异常交易行为。
本申请还提供一种异常交易识别装置,所述异常交易识别装置包括:
第一获取模块,用于在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
确定模块,用于依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
第二获取模块,用于在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
校验模块,用于对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
本申请还提供一种电子设备,所述电子设备为实体设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述异常交易识别方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现异常交易识别方法的程序,所述实现异常交易识别方法的程序被处理器执行以实现如上所述异常交易识别方法的步骤
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的异常交易识别方法的步骤。
本申请提供了一种异常交易识别方法,本申请首先在交易周期内,获取目标用户在预设时间段内交易金额大于预设金额的交易金额作为异常交易数据的第一交易信息,以得到目标用户在交易周期内的相同时间段的异常交易数据,并获取目标用户的用户信息,再利用该用户信息,确定目标用户对应的关联用户,从而找到与目标用户存在关联关系且与目标用户的用户信息的信息相似度大于预设相似度的关联用户,然后在交易周期内,获取所有与关联用户在预设时间段内的异常交易数据的第二交易信息,以得到所有关联用户在交易周期内的相同时间段的异常交易数据,最后对第一交易信息和第二交易信息进行校验,确定目标用户是否存在异常交易行为,从而在确定用户的异常交易行为时,同时考虑了用户自身的交易行为以及与之相关联的所有关联用户的交易行为,即从群体的交易行为中确定用户是否存在异常交易行为,能够避免在特殊场景下用户的正常交易行为被误判为异常交易行为,提高了异常交易识别的准确性,解决了现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,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为本申请异常交易识别方法实施例一提供的流程示意图;
图2为本申请异常交易识别方法实施例一提供的流程示意图;
图3为本申请异常交易识别方法实施例一提供的流程示意图;
图4为本申请异常交易识别方法实施例二提供流程示意图;
图5为本申请实施例异常交易识别装置的模块结构示意图;
图6为本申请实施例中异常交易识别方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
实施例一
近年来,随着金融产业的迅猛发展,尤其是移动互联网技术的助力,金融服务的交易量增长迅速,金融服务是现代经济发展重要支柱之一,金融服务的交易场景也更加丰富。
目前,通常是通过校验用户在短时间内是否存在大于一定的消费频次的连续消费,来确定用户是否存在异常交易行为,但是在特殊场景下,例如在大型电商双十一促销活动中,用户必然会在短时间内存在大于预设消费频次的连续消费,此时这种消费行为属于正常交易行为,但会被误判为异常交易行为,因此,仅考虑用户自身的交易行为,无法确保异常交易识别的准确性。
基于此,本申请提出第一实施例的异常交易识别方法,请参照图1,所述异常交易识别方法包括:
步骤S10,在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
需要说明的是,该异常交易数据是指交易金额大于预设金额的交易数据,该第一交易信息可以包括目标用户的异常交易数据中的交易笔数、目标用户的异常交易数据中的交易笔数占比、目标用户的异常交易数据中的交易笔数平均值、目标用户的异常交易数据中的交易笔数波动幅度等,本实施例对比不作具体的限定。
示例性的,假设交易周期为30天,预设时间段为1:00至5:59,预设金额为100元,则该异常交易数据是指近30天在1:00至5:59的时间段内交易金额大于100元的交易数据。
步骤S20,依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
需要说明的是,该用户信息可以包括用户行为信息,该用户行为信息可以包括用户浏览信息、用户搜索信息、用户购买信息等,本实施例对此不作具体的限定。该关联关系可以包括浏览过同类商品、购买过同类商品、搜索过同类商品等。
作为一种示例,所述依据所述用户信息,确定所述目标用户对应的各关联用户的步骤可以为依据所述用户信息,全扫描目标交易平台中所有用户的用户信息,确定与所述目标用户存在关联关系且与所述用户信息的信息相似度大于所述预设相似度的用户并将其作为所述目标用户对应的各所述关联用户,也可以为提取所述用户信息中的任一关键词信息,以所述关键词信息为索引,查找所述目标用户对应的各所述关联用户,本示例对此不作具体的限定。
步骤S30,在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
需要说明的是,该第二交易信息可以包括所有关联用户的异常交易数据中的交易笔数、所有关联用户的异常交易数据中的交易笔数占比、所有关联用户的异常交易数据中的交易笔数平均值、所有关联用户的异常交易数据中的交易笔数波动幅度等。
步骤S40,对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
作为一种示例,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤包括:对所述第一交易信息和所述第二交易信息之间的信息匹配度进行校验,确定所述目标用户是否存在异常交易行为,或者,对所述第一交易信息和所述第二交易信息之间的信息相似度进行校验,确定所述目标用户是否存在异常交易行为,本示例对此不作具体的限定。
本申请实施例提供了一种异常交易识别方法,本申请实施例首先在交易周期内,获取目标用户在预设时间段内交易金额大于预设金额的交易金额作为异常交易数据的第一交易信息,以得到目标用户在交易周期内的相同时间段的异常交易数据,并获取目标用户的用户信息,再利用该用户信息,确定目标用户对应的关联用户,从而找到与目标用户存在关联关系且与目标用户的用户信息的信息相似度大于预设相似度的关联用户,然后在交易周期内,获取所有与关联用户在预设时间段内的异常交易数据的第二交易信息,以得到所有关联用户在交易周期内的相同时间段的异常交易数据,最后对第一交易信息和第二交易信息进行校验,确定目标用户是否存在异常交易行为,从而在确定用户的异常交易行为时,同时考虑了用户自身的交易行为以及与之相关联的所有关联用户的交易行为,即从群体的交易行为中确定用户是否存在异常交易行为,能够避免在特殊场景下用户的正常交易行为被误判为异常交易行为,提高了异常交易识别的准确性,解决了现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。
在一种可能的实施方式中,所述用户信息包括用户行为信息,所述用户信息包括用户行为信息,所述依据所述用户信息,确定所述目标用户对应的各关联用户的步骤,包括:
步骤S21,依据所述目标用户的用户行为信息,在所述目标交易平台中筛选与所述目标用户存在关联关系的用户组成候选用户集合;
需要说明的是,该用户行为信息可以包括用户浏览信息、用户搜索信息、用户购买信息等,该关联关系可以包括浏览过同类商品、购买过同类商品、搜索过同类商品等。
作为一种示例,所述依据所述目标用户的用户行为信息,在所述目标交易平台中筛选与所述目标用户存在关联关系的用户组成候选用户集合的步骤可以为依据所述目标用户的用户浏览信息,在所述目标交易平台中筛选与所述目标用户存在浏览过同类商品的用户组成候选用户集合,也可以为依据所述目标用户的用户购买信息,在所述目标交易平台中筛选与所述目标用户存在购买过同类商品的用户组成候选用户集合,还可以为依据所述目标用户的用户搜索信息,在所述目标交易平台中筛选与所述目标用户存在搜索过同类商品的用户组成候选用户集合,本示例对比不作具体的限定。
步骤S22,获取所述候选用户集合中各候选用户的用户行为信息,并确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度;
需要说明的是,该候选用户是指与目标用户存在关联关系的用户。
步骤S23,将所述行为信息相似度大于所述预设相似度的各候选用户作为所述目标用户对应的各所述关联用户。
本实施例中,首先依据该目标用户的用户行为信息,在目标交易平台中筛选出与该目标用户存在关联关系的用户组成候选用户集合,从而将目标交易平台中与该目标用户不存在关联关系的用户进行滤除,提高关联用户的确定准确率和确定效率,然后获取该候选用户集合中各候选用户的用户行为信息,并确定目标用户的用户行为信息与各候选用户的用户行为信息之间的行为信息相似度,最后将行为信息相似度大于预设相似度的各候选用户作为目标用户对应的各关联用户,从而确保所确定的关联用户是与目标用户的用户行为信息大致相似的候选用户,为保证异常交易识别的准确性建立数据基础。
在一种可能的实施方式中,所述确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度的步骤,包括:
步骤S221,对于任一所述候选用户,将所述目标用户的用户行为信息中各类型信息作为矩阵行元素,将所述候选用户的用户行为信息中各类型信息作为矩阵列元素,生成信息比对矩阵,其中,所述信息比对矩阵包括多组对角单元;
示例性的,假设用户行为信息包括用户浏览信息、用户搜索信息和用户购买信息,则可以将目标用户的用户浏览信息、用户搜索信息和用户购买信息分别作为一个矩阵行元素,将候选用户的用户浏览信息、用户搜索信息和用户购买信息分别作为一个矩阵列元素,以生成该信息比对矩阵。
步骤S222,计算所述信息比对矩阵中各组对角单元信息编辑概率,以确定所述信息比对矩阵的总编辑概率,将所述总编辑概率作为所述目标用户的用户行为信息与所述候选用户的用户行为信息之间的行为信息相似度,其中,所述信息编辑概率是指将两个同类型的信息编辑成内容相同的信息所需的操作次数。
本实施例中,对于任一候选用户,首先将目标用户的用户行为信息中各类型信息作为矩阵行元素,并将候选用户的用户行为信息中各类型信息作为矩阵列元素,以生成包含多组对角单元的信息比对矩阵,然后计算该信息比对矩阵中每一组对角单元的信息编辑概率,以确定该信息比对矩阵的总编辑概率,即该信息比对矩阵的矩阵模值,将该总编辑概率作为目标用户的用户行为信息与候选用户的用户行为信息之间的行为信息相似度,通过构建信息比对矩阵,能够对用户行为信息进行进一步的分类细化,且通过在信息比对矩阵中进行同类信息的比对,能够确保所比对的信息之间的对应关系,即确保进行同类信息之间的比对,从而提高了行为信息相似度的确定精度。
在一种可能的实施方式中,请参照图2,所述第一交易信息包括第一交易笔数占比,所述第二交易信息包括第二交易笔数占比,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
步骤A41,校验所述第一交易笔数占比是否大于所述第二交易笔数占比,其中,交易笔数占比是指异常交易笔数占所有交易笔数的占比;
需要说明的是,该第一交易笔数占比是指目标用户的异常交易笔数占所有交易笔数的占比,该第二交易笔数占比是指所有关联用户的异常交易笔数占所有关联用户的所有交易笔数的占比。
步骤A42,若所述第一交易笔数占比不大于所述第二交易笔数占比,则确定所述目标用户不存在异常交易行为;
步骤A43,若所述第一交易笔数占比大于所述第二交易笔数占比,则查找所述第二交易笔数占比对应预设的交易占比范围,并校验所述第一交易笔数占比是否在所述交易占比范围内;
需要说明的是,该交易占比范围是指该第二交易笔数占比允许的差异范围,例如,假设第二交易笔数占比为40,而交易占比范围为45,则在该第一交易笔数占比小于45时,该第一交易笔数占比在该第二交易笔数占比允许的差异范围。
作为一种示例,可以设置一个记录了交易笔数占比和预设的交易笔数占比范围之间的对应关系的数据库,此时所述查找所述第二交易笔数占比对应预设的交易占比范围的步骤包括:以所述第二交易笔数占比为索引,在数据库中查找所述第二交易笔数占比对应预设的交易占比范围,本示例对此不作具体的限定。
步骤A44,若所述第一交易笔数占比在所述交易占比范围内,则确定所述目标用户不存在异常交易行为;
步骤A45,若所述第一交易笔数占比不在所述交易占比范围内,则确定所述目标用户存在异常交易行为。
本实施例中,通过校验第一交易笔数占比是否大于第二交易笔数占比来确定目标用户是否存在异常交易行为,在第一交易笔数占比不大于第二交易笔数占比时,此时目标用户的异常交易笔数的占比小于所有关联用户的异常交易笔数的占比,则确定目标用户不存在异常交易行为,而在第一交易笔数占比大于第二交易笔数占比时,则需要通过查找该第二交易笔数占比对应预设的交易占比范围,并校验该第一交易笔数占比是否在该交易占比范围内,如果该第一交易笔数占比在该交易占比范围内,此时目标用户的异常交易笔数的占比在所有关联用户的异常交易笔数的占比所允许的差异范围内,则确定目标用户不存在异常交易行为,如果该第一交易笔数占比不在该交易占比范围内,此时目标用户的异常交易笔数的占比远超所有关联用户的异常交易笔数的占比,则确定该目标用户存在异常交易行为,从而实现了动态对比目标用户和所有关联用户之间的异常交易笔数占比来确定目标用户是否存在异常交易行为的过程,提高了异常交易识别的准确性。
在一种可能的实施方式中,请参照图3,所述第一交易信息包括第一交易笔数波动幅度,所述第二交易信息包括第二交易笔数波动幅度,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
B41,校验所述第一交易笔数波动幅度是否大于预设波动幅度;
需要说明的是,该第一交易笔数波动幅度是指目标用户在交易周期内的异常交易笔数的波动方差,该预设波动幅度是指目标用户在交易周期内的异常交易笔数的所允许的最大波动方差。
B42,若所述第一交易笔数波动幅度不大于所述预设波动幅度,则确定所述目标用户不存在异常交易行为;
B43,若所述第一交易笔数波动幅度大于所述预设波动幅度,则校验所述第一交易笔数波动幅度与所述第二交易笔数波动幅度是否匹配;
需要说明的是,该第二交易笔数波动幅度是指所有关联用户在交易周期内的异常交易笔数的波动方差,该第一交易笔数波动幅度与该第二交易笔数波动幅度匹配是指该第一交易笔数波动幅度等于该第二交易笔数波动幅度,或者是指该第一交易笔数波动幅度在该第二交易笔数波动幅度所允许的波动幅度范围内,本实施例对此不作具体的限定。
B44,若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度匹配,则确定所述目标用户不存在异常交易行为;
B45,若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度不匹配,则确定所述目标用户存在异常交易行为。
本实施例中,通过校验第一交易笔数波动幅度是否大于预设波动幅度来确定目标用户是否存在异常交易行为,在第一交易笔数波动幅度不大于预设波动幅度时,此时目标用户在交易周期内的异常交易笔数的波动方差小于或等于目标用户在交易周期内的异常交易笔数的所允许的最大波动方差,则确定目标用户不存在异常交易行为,而在第一交易笔数波动幅度大于预设波动幅度时,此时目标用户在交易周期内的异常交易笔数的波动方差大于最大波动方差,需要进一步的校验第一交易笔数波动幅度与第二交易笔数波动幅度是否匹配来确定目标用户是否存在异常交易行为,如果第一交易笔数波动幅度与第二交易笔数波动幅度匹配,此时目标用户在交易周期内的异常交易笔数的波动方差等于所有关联用户在交易周期内的异常交易笔数的波动方差,或者目标用户在交易周期内的异常交易笔数的波动方差在所有关联用户在交易周期内的异常交易笔数的波动方差所允许的波动幅度范围内,则确定目标用户不存在异常交易行为,如果第一交易笔数波动幅度与第二交易笔数波动幅度不匹配,此时目标用户在交易周期内的异常交易笔数的波动方差不等于所有关联用户在交易周期内的异常交易笔数的波动方差,或者目标用户在交易周期内的异常交易笔数的波动方差不在所有关联用户在交易周期内的异常交易笔数的波动方差所允许的波动幅度范围内,则确定该目标用户存在异常交易行为,从而实现了动态比对目标用户的异常交易波动幅度和所有关联用户的异常交易波动幅度来确定目标用户是否存在异常交易行为的过程,解决了现有技术中仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题,提高了异常交易识别的准确性。
实施例二
基于本申请第一实施例,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,请参照图4,所述异常交易识别方法还包括:
步骤A10,在所述交易周期内,获取所述目标用户在预设时间段内的目标交易数据;
需要说明的是,该目标交易数据是指目标用户在该交易周期的预设时间内的所有交易数据。
步骤A20,校验所述目标交易数据中是否存在交易金额大于预设金额的交易数据;
步骤A30,若是,则执行所述获取目标用户在预设时间段内的异常交易数据中的第一交易信息的步骤;
步骤A40,若否,则获取所述目标交易数据中的目标交易笔数,并在上一交易周期内,获取所述目标用户在所述预设时间段内的历史交易数据中的历史交易笔数;
需要说明的是,该目标交易笔数是指目标用户在该交易周期的预设时间内的所有交易笔数,该历史交易笔数是指目标用户在上一交易周期的预设时间内的所有交易笔数,该上一交易周期是指相较于该交易周期的上一个时间步的交易周期,例如假设该交易周期以月为周期,此时该交易周期为4月1日至4月30日,则上一交易周期则为同年的3月1日至3月31日。
步骤A50,根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为。
目前,在用户不存在大额交易时,需要通过调查人员根据异常交易的经验来确定用户是否存在异常交易行为,但是这需要调查人员手动收集多种信息,不仅人工收集信息的工作量较大,造成判定的效率低,且通过人工判断的方法存在经验滞后性,导致最后判定的准确度低。
本实施例中,在获取到目标用户在交易周期的预设时间段内的目标交易数据后,先校验目标交易数据中是否存在交易金额大于预设金额的交易数据,如果该目标交易数据中存在交易金额大于预设金额的交易数据,则执行获取目标用户在预设时间段内的异常交易数据中的第一交易信息的步骤,如果该目标交易数据中存在交易金额不存在交易金额大于预设金额的交易数据,则需要确定该目标交易数据中的目标交易笔数,并获取该目标用户在上一交易周期内的预设时间段内的历史交易数据中的历史交易笔数,根据该目标交易笔数和该历史交易笔数来确定该目标用户是否存在异常交易行为,本实施例在针对用户的小额交易确定用户是否存在异常交易行为时,通过结合用户的历史交易笔数来确定用户当前的目标交易笔数是否存在异常交易的风险,从而克服了人工收集信息的工作量较大,造成判定的效率低,且通过人工判断的方法存在经验滞后性,导致最后判定的准确度低的技术问题。
在一种可能的实施方式中,所述根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为的步骤,包括:
步骤A51,根据所述目标交易笔数和所述历史交易笔数,计算所述目标用户对应的交易增长幅度;
需要说明的是,该交易增长幅度是指该目标交易笔数相较于历史交易笔数的增长幅度,该交易增长幅度可以为正数也可以为负数,在该目标交易笔数大于该历史交易笔数时,该交易增长幅度为大于零的正数,而在该目标交易笔数小于该历史交易笔数时,该交易增长幅度为小于零的负数。
步骤A52,若所述交易增长幅度大于预设增长幅度,则确定所述目标用户存在异常交易行为;
需要说明的是,该预设增长幅度用于表征交易增长幅度处于正常增幅时的最大交易增长幅度。
步骤A53,若所述交易增长幅度不大于所述预设增长幅度,则确定所述目标用户不存在异常交易行为。
本实施例中,首先根据目标交易笔数和历史交易笔数,计算该目标用户对应的交易增长幅度,在计算得到该交易增长幅度大于预设增长幅度时,此时该目标用户对应的交易增长幅度大于正常增幅时的最大交易增长幅度,则确定该目标用户存在异常交易行为,而在计算得到该交易增长幅度不大于预设增长幅度时,此时该目标用户对应的交易增长幅度处于正常增幅的范围内,则确定该目标用户不存在异常交易行为。
实施例三
本发明实施例还提供一种异常交易识别装置,请参照图5,所述异常交易识别装置包括:
第一获取模块10,用于在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
确定模块20,用于依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
第二获取模块30,用于在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
校验模块40,用于对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
可选地,所述用户信息包括用户行为信息,所述确定模块20还包括:
依据所述目标用户的用户行为信息,在所述目标交易平台中筛选与所述目标用户存在关联关系的用户组成候选用户集合;
获取所述候选用户集合中各候选用户的用户行为信息,并确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度;
将所述行为信息相似度大于所述预设相似度的各候选用户作为所述目标用户对应的各所述关联用户。
可选地,所述确定模块20还包括:
对于任一所述候选用户,将所述目标用户的用户行为信息中各类型信息作为矩阵行元素,将所述候选用户的用户行为信息中各类型信息作为矩阵列元素,生成信息比对矩阵,其中,所述信息比对矩阵包括多组对角单元;
计算所述信息比对矩阵中各组对角单元信息编辑概率,以确定所述信息比对矩阵的总编辑概率,将所述总编辑概率作为所述目标用户的用户行为信息与所述候选用户的用户行为信息之间的行为信息相似度,其中,所述信息编辑概率是指将两个同类型的信息编辑成内容相同的信息所需的操作次数。
可选地,所述第一交易信息包括第一交易笔数占比,所述第二交易信息包括第二交易笔数占比,所述校验模块40还包括:
校验所述第一交易笔数占比是否大于所述第二交易笔数占比,其中,交易笔数占比是指异常交易笔数占所有交易笔数的占比;
若所述第一交易笔数占比不大于所述第二交易笔数占比,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比大于所述第二交易笔数占比,则查找所述第二交易笔数占比对应预设的交易占比范围,并校验所述第一交易笔数占比是否在所述交易占比范围内;
若所述第一交易笔数占比在所述交易占比范围内,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比不在所述交易占比范围内,则确定所述目标用户存在异常交易行为。
可选地,所述第一交易信息包括第一交易笔数波动幅度,所述第二交易信息包括第二交易笔数波动幅度,所述校验模块40还包括:
校验所述第一交易笔数波动幅度是否大于预设波动幅度;
若所述第一交易笔数波动幅度不大于所述预设波动幅度,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度大于所述预设波动幅度,则校验所述第一交易笔数波动幅度与所述第二交易笔数波动幅度是否匹配;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度匹配,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度不匹配,则确定所述目标用户存在异常交易行为。
可选地,所述异常交易识别装置还包括:
在所述交易周期内,获取所述目标用户在预设时间段内的目标交易数据;
校验所述目标交易数据中是否存在交易金额大于预设金额的交易数据;
若是,则执行所述获取目标用户在预设时间段内的异常交易数据中的第一交易信息的步骤;
若否,则获取所述目标交易数据中的目标交易笔数,并在上一交易周期内,获取所述目标用户在所述预设时间段内的历史交易数据中的历史交易笔数;
根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为。
可选地,所述异常交易识别装置还包括:
根据所述目标交易笔数和所述历史交易笔数,计算所述目标用户对应的交易增长幅度;
若所述交易增长幅度大于预设增长幅度,则确定所述目标用户存在异常交易行为;
若所述交易增长幅度不大于所述预设增长幅度,则确定所述目标用户不存在异常交易行为。
本发明提供的异常交易识别装置,采用上述实施例一或实施例二中的异常交易识别方法,能够解决现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。与现有技术相比,本发明实施例提供的异常交易识别装置的有益效果与上述实施例提供的异常交易识别方法的有益效果相同,且所述异常交易识别装置中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
实施例四
本发明实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的异常交易识别方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant:个人数字助理)、PAD(Portable ApplicationDescription:平板电脑)、PMP(Portable Media Player:便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM:Read Only Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM:Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD:LiquidCrystal Display)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置1009可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备,采用上述实施例中的异常交易识别方法,能解决现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。与现有技术相比,本发明实施例提供的电子设备的有益效果与上述实施例提供的异常交易识别方法的有益效果相同,且该电子设备中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
实施例五
本发明实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的异常交易识别方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM:Random Access Memory)、只读存储器(ROM:Read Only Memory)、可擦式可编程只读存储器(EPROM:Erasable Programmable Read Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM:CD-Read Only Memory)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency:射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN:Local Area Network)或广域网(WAN:Wide Area Network)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的可读存储介质为计算机可读存储介质,所述计算机可读存储介质存储有用于执行上述异常交易识别方法的计算机可读程序指令,能够解决现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。与现有技术相比,本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的异常交易识别方法的有益效果相同,在此不做赘述。
实施例六
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的异常交易识别方法的步骤。
本申请提供的计算机程序产品能够解决现有技术仅考虑用户自身的交易行为,无法确保异常交易识别的准确性的技术问题。与现有技术相比,本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的异常交易识别方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种异常交易识别方法,其特征在于,所述异常交易识别方法包括:
在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
2.如权利要求1所述异常交易识别方法,其特征在于,所述用户信息包括用户行为信息,所述依据所述用户信息,确定所述目标用户对应的各关联用户的步骤,包括:
依据所述目标用户的用户行为信息,在所述目标交易平台中筛选与所述目标用户存在关联关系的用户组成候选用户集合;
获取所述候选用户集合中各候选用户的用户行为信息,并确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度;
将所述行为信息相似度大于所述预设相似度的各候选用户作为所述目标用户对应的各所述关联用户。
3.如权利要求2所述异常交易识别方法,其特征在于,所述确定所述目标用户的用户行为信息与各所述候选用户的用户行为信息之间的行为信息相似度的步骤,包括:
对于任一所述候选用户,将所述目标用户的用户行为信息中各类型信息作为矩阵行元素,将所述候选用户的用户行为信息中各类型信息作为矩阵列元素,生成信息比对矩阵,其中,所述信息比对矩阵包括多组对角单元;
计算所述信息比对矩阵中各组对角单元信息编辑概率,以确定所述信息比对矩阵的总编辑概率,将所述总编辑概率作为所述目标用户的用户行为信息与所述候选用户的用户行为信息之间的行为信息相似度,其中,所述信息编辑概率是指将两个同类型的信息编辑成内容相同的信息所需的操作次数。
4.如权利要求1所述异常交易识别方法,其特征在于,所述第一交易信息包括第一交易笔数占比,所述第二交易信息包括第二交易笔数占比,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
校验所述第一交易笔数占比是否大于所述第二交易笔数占比,其中,交易笔数占比是指异常交易笔数占所有交易笔数的占比;
若所述第一交易笔数占比不大于所述第二交易笔数占比,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比大于所述第二交易笔数占比,则查找所述第二交易笔数占比对应预设的交易占比范围,并校验所述第一交易笔数占比是否在所述交易占比范围内;
若所述第一交易笔数占比在所述交易占比范围内,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数占比不在所述交易占比范围内,则确定所述目标用户存在异常交易行为。
5.如权利要求1所述异常交易识别方法,其特征在于,所述第一交易信息包括第一交易笔数波动幅度,所述第二交易信息包括第二交易笔数波动幅度,所述对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为的步骤,包括:
校验所述第一交易笔数波动幅度是否大于预设波动幅度;
若所述第一交易笔数波动幅度不大于所述预设波动幅度,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度大于所述预设波动幅度,则校验所述第一交易笔数波动幅度与所述第二交易笔数波动幅度是否匹配;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度匹配,则确定所述目标用户不存在异常交易行为;
若所述第一交易笔数波动幅度与所述第二交易笔数波动幅度不匹配,则确定所述目标用户存在异常交易行为。
6.如权利要求1至5任一项所述异常交易识别方法,其特征在于,所述异常交易识别方法还包括:
在所述交易周期内,获取所述目标用户在预设时间段内的目标交易数据;
校验所述目标交易数据中是否存在交易金额大于预设金额的交易数据;
若是,则执行所述获取目标用户在预设时间段内的异常交易数据中的第一交易信息的步骤;
若否,则获取所述目标交易数据中的目标交易笔数,并在上一交易周期内,获取所述目标用户在所述预设时间段内的历史交易数据中的历史交易笔数;
根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为。
7.如权利要求6所述异常交易识别方法,其特征在于,所述根据所述目标交易笔数和所述历史交易笔数,确定所述目标用户是否存在异常交易行为的步骤,包括:
根据所述目标交易笔数和所述历史交易笔数,计算所述目标用户对应的交易增长幅度;
若所述交易增长幅度大于预设增长幅度,则确定所述目标用户存在异常交易行为;
若所述交易增长幅度不大于所述预设增长幅度,则确定所述目标用户不存在异常交易行为。
8.一种异常交易识别装置,其特征在于,所述异常交易识别装置包括:
第一获取模块,用于在交易周期内,获取目标用户在预设时间段内的异常交易数据中的第一交易信息,并获取所述目标用户的用户信息,其中,所述异常交易数据是指交易金额大于预设金额的交易数据;
确定模块,用于依据所述用户信息,确定所述目标用户对应的各关联用户,其中,所述关联用户是指在目标交易平台中与所述目标用户存在关联关系且与所述用户信息的信息相似度大于预设相似度的用户,所述关联关系是指在所述目标交易平台中与所述目标用户存在相似的用户信息的用户和所述目标用户之间的关系;
第二获取模块,用于在所述交易周期内,获取所有所述关联用户在所述预设时间段内的异常交易数据中的第二交易信息;
校验模块,用于对所述第一交易信息和所述第二交易信息进行校验,确定所述目标用户是否存在异常交易行为。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述异常交易识别方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现异常交易识别方法的程序,所述实现异常交易识别方法的程序被处理器执行以实现如权利要求1至7中任一项所述异常交易识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872468.9A CN117455482A (zh) | 2023-07-14 | 2023-07-14 | 异常交易识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872468.9A CN117455482A (zh) | 2023-07-14 | 2023-07-14 | 异常交易识别方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455482A true CN117455482A (zh) | 2024-01-26 |
Family
ID=89586231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310872468.9A Pending CN117455482A (zh) | 2023-07-14 | 2023-07-14 | 异常交易识别方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455482A (zh) |
-
2023
- 2023-07-14 CN CN202310872468.9A patent/CN117455482A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11768816B2 (en) | Generating a Venn diagram using a columnar database management system | |
CN111125266B (zh) | 数据处理方法、装置、设备及存储介质 | |
US20130238939A1 (en) | Method for ranking analysis tools | |
CN111241123A (zh) | 视图数据查询方法、装置、服务器及存储介质 | |
CN110675249A (zh) | 网络借贷的匹配方法、装置、服务器和存储介质 | |
US20240037084A1 (en) | Method and apparatus for storing data | |
WO2022089235A1 (zh) | 产品的演示方法、装置、计算机设备及存储介质 | |
CN111367813B (zh) | 决策引擎自动化测试方法、装置、服务器及存储介质 | |
CN116630071A (zh) | 跨境电商多平台利润自动核算方法、装置、设备及介质 | |
US20140351708A1 (en) | Customizing a dashboard responsive to usage activity | |
CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
CN117455482A (zh) | 异常交易识别方法、装置、设备及可读存储介质 | |
CN114116431B (zh) | 系统运行健康检测方法、装置、电子设备及可读存储介质 | |
US7636902B1 (en) | Report validation tool | |
CN116579817A (zh) | 基于购买力的产品信息展示方法、装置、设备及存储介质 | |
US20150170068A1 (en) | Determining analysis recommendations based on data analysis context | |
CN112596725A (zh) | 编程作品的评分方法、评分装置、终端设备及存储介质 | |
CN116861077A (zh) | 基于供应链系统的产品推荐方法、装置、设备及存储介质 | |
CN117575722A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN117573713A (zh) | 医疗数据测试方法、装置、电子设备及可读存储介质 | |
CN115760417A (zh) | 交易行为检测方法、装置、电子设备及可读存储介质 | |
CN115209363A (zh) | 一种账单对账方法、电子设备及可读存储介质 | |
CN114564380A (zh) | 书写评价软件测试方法、装置、电子设备及存储介质 | |
CN114385878A (zh) | 政务数据的可视化展示方法、装置及终端设备 | |
CN115375157A (zh) | 一种数字化运营管理方法、系统、计算机设备和存储介质 |
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 |