CN117575796A - 一种用于确定商户风险信息的方法、设备及介质 - Google Patents

一种用于确定商户风险信息的方法、设备及介质 Download PDF

Info

Publication number
CN117575796A
CN117575796A CN202410056751.9A CN202410056751A CN117575796A CN 117575796 A CN117575796 A CN 117575796A CN 202410056751 A CN202410056751 A CN 202410056751A CN 117575796 A CN117575796 A CN 117575796A
Authority
CN
China
Prior art keywords
merchant
entity
type
score
information
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.)
Granted
Application number
CN202410056751.9A
Other languages
English (en)
Other versions
CN117575796B (zh
Inventor
张家欢
黄建波
左刚
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.)
Expressway Payment Service Co ltd
Original Assignee
Expressway Payment Service Co ltd
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 Expressway Payment Service Co ltd filed Critical Expressway Payment Service Co ltd
Priority to CN202410056751.9A priority Critical patent/CN117575796B/zh
Publication of CN117575796A publication Critical patent/CN117575796A/zh
Application granted granted Critical
Publication of CN117575796B publication Critical patent/CN117575796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请的目的是提供一种用于确定商户风险信息的方法、设备及介质，该方法包括：将目标商户的商户资料信息输入已训练的静态实体评分模型，得到目标商户的静态实体评分，将目标商户加入业务实体关系图谱并计算得到目标商户的静态实体关联评分；将目标商户的商户交易数据输入已训练的动态实体评分模型，得到目标商户的动态实体评分，将目标商户加入支付资金关系图谱并计算得到目标商户的动态实体关联评分；根据静态实体评分、静态实体关联评分、动态实体评分及动态实体关联评分，确定目标商户对应的商户风险信息。

Description

一种用于确定商户风险信息的方法、设备及介质
技术领域
本申请涉及数据处理领域，尤其涉及一种用于确定商户风险信息的技术。
背景技术
跨境支付涉及多个国家或地区的金融体系和法规，可能被不法分子用来洗钱或进行其他非法活动。洗钱是指将非法获得的资金通过一系列交易和操作，使其在合法经济活动中变得难以追踪的过程。出口业务场景下，付款方在境外，洗钱行为更具隐秘性。
发明内容
本申请的一个目的是提供一种用于确定商户风险信息的方法、设备及介质。
根据本申请的一个方面，提供了一种用于确定商户风险信息的方法，该方法包括：
将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；
将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；
根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
根据本申请的一个方面，提供了一种用于确定商户风险信息的计算机设备，该设备包括：
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 使所述处理器执行如下操作：
将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；
将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；
根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
根据本申请的一个方面，提供了一种存储指令的计算机可读介质，所述指令在被执行时使得系统进行如下操作：
将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；
将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；
根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
根据本申请的一个方面，提供了一种用于确定商户风险信息的网络设备，该设备包括：
一一模块，用于将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；
一二模块，用于将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；
一三模块，用于根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
与现有技术相比，本申请通过将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息，从而实现将现有技术中的凭审核人经验进行风险评分，通过机器学习的手段，转化为量化的评分，有据可依，可系统自动化，将孤立的数据要素，链接成图谱，可识别到孤立要素无法感知到的风险，所有审核结果，回溯到知识图谱，沉淀为后续新进商户审核的知识资产，不再停留在审核员个人经验，对于在网存量商户，入网后自动持续检测，组成四维评分体系，通过将单个实体的交易特征风险评分在图谱上进行聚合传播再进行计算，对识别出的单个实体异常，发现尚未表现出的潜在异常客户，将原本孤立的已发现的异常实体沉淀为知识资产，供后续入网和持续检测所使用入网审核商户在图谱上具备联通顶点（商户）时，可通过实体关联评分进行评估。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个实施例的一种用于确定商户风险信息的方法流程图；
图2示出根据本申请一个实施例的一种用于确定商户风险信息的用户设备结构图；
图3示出根据本申请一个实施例的一种用于确定商户风险信息的方法流程图；
图4示出根据本申请一个实施例的一种业务实体关系图谱的示意图；
图5示出根据本申请一个实施例的一种用于确定商户风险信息的方法流程图；
图6示出根据本申请一个实施例的一种支付资金关系图谱的示意图；
图7示出根据本申请一个实施例的一种业务实体关系图谱的示意图；
图8示出根据本申请一个实施例的一种支付资金关系图谱的示意图；
图9示出可被用于实施本申请中所述的各个实施例的示例性系统。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如，中央处理器（Central Processing Unit，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(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(Flash Memory)。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（Phase-Change Memory，PCM）、可编程随机存取存储器(Programmable Random Access Memory，PRAM)、静态随机存取存储器(Static Random-Access Memory，SRAM)、动态随机存取存储器 (Dynamic Random AccessMemory，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 (Electrically-Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disc ,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。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互（例如通过触摸板进行人机交互）的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如Android操作系统、iOS操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程逻辑器件（Programmable Logic Device，PLD）、现场可编程门阵列（Field Programmable Gate Array，FPGA）、数字信号处理器（Digital Signal Processor，DSP）、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算（Cloud Computing）的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络（Ad Hoc网络）等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的描述中，“多个”的含义是两个或者更多，除非另有明确具体的限定。
图1示出根据本申请一个实施例的一种用于确定商户风险信息的方法流程图，该方法包括步骤S11、步骤S12和步骤S13。在步骤S11中，网络设备将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；在步骤S12中，网络设备将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；在步骤S13中，网络设备根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
在步骤S11中，网络设备将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边。在一些实施例中，目标商户可以是入网申请商户，也可以是在网存量商户，商户资料信息包括但不限于目标商户在入网申请时提交的资料以及通过可信数据渠道获取的目标商户的补充资料。在一些实施例中，静态实体评分模型是通过对商户的工商信息、关键人信息、资本规模信息、行政处罚信息和司法案件信息等信息评分进行机器学习训练得到的，通过将目标商户的商户资料信息输入已训练的静态实体评分模型，该模型会输出目标商户的静态实体评分。在一些实施例中，业务实体关系图谱包括多个商户类型顶点及多个自然人类型顶点，一个商户类型顶点的对应商户与一个自然人类型顶点的对应自然人之间的关联关系（例如，自然人是商户的法人、受益人、联系人等）构成这两个顶点之间的边，通过将目标商户作为一个商户类型顶点加入该图谱，在该图谱中基于目标商户对应的商户类型顶点以外的其他商户类型顶点（例如，目标商户对应的商户类型顶点附近的与该商户类型顶点存在二度关系的其他商户类型顶点）的对应商户的静态实体评分，通过图计算得到目标商户的静态实体关联评分。
在步骤S12中，网络设备将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边。在一些实施例中，商户交易数据是指目标商户与境外付款方之间的交易数据，包括但不限于付款人信息（付款人名称、付款银行、付款银行编号、付款银行卡号、付款人地址、付款人国家地区等信息）、交易信息（原始币种、付款金额、付款时间等信息）、合同信息（付款方式、商品品类、商品单价、商品梳理、物流方式、物流名称、物流单号、发货凭证、贸易国家地区、申报模式等信息）、付款人与黑名单匹配信息（将境外买家的付款名称、银行卡号与黑名单进行匹配得到的）、累计交易笔数，累计金额，交易对手数，交易对手集中度、高额交易时段，交易品类等。在一些实施例中，动态实体评分模型是通过对商户交易对手国家地区、银行、黑名单匹配状况、交易金额、交易频率、交易变化、跨境商务合同、物流、商品等统计信息等动态信息进行机器学习训练得到的，通过将目标商户的商户资料信息输入已训练的动态实体评分模型，该模型会输出目标商户的动态实体评分。在一些实施例中，支付资金关系图谱包括多个商户类型顶点及多个付款人类型顶点，一个商户类型顶点的对应商户与一个付款人类型顶点的对应付款人之间的关联关系（例如，付款总笔数、付款总金额等）构成这两个顶点之间的边，通过将目标商户作为一个商户类型顶点加入该图谱，在该图谱中基于目标商户对应的商户类型顶点以外的其他商户类型顶点（例如，目标商户对应的商户类型顶点附近的与该商户类型顶点存在一度关系的其他商户类型顶点）的对应商户的动态实体评分，通过图计算得到目标商户的动态实体关联评分。
在步骤S13中，网络设备根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。在一些实施例中，可以将之前得到的这四个评分共同用于辅助反洗钱风险决策。在一些实施例中，商户风险信息可以是指目标商户的风险评分（一个具体的分数数值），或者，还可以是指目标商户的风险等级（例如，低风险、较低风险、中风险、较高风险、高风险等5个等级）。在一些实施例中，可以将这四个评分输入一个已训练的风险模型，该模型输出目标商户的风险评分或风险等级，或者，还可以将四个评分输入一个预定的计算公式，计算得到目标商户的风险评分，或者，在此基础上，根据目标商户的风险评分所落入的区间，来确定目标商户的风险等级，例如，风险评分>=90分为低风险；风险评分>=80分为较低风险；风险评分>=70分为中风险；风险评分>=60分为较高风险；风险评分<60分为高风险。在一些实施例中，对于不同风险等级的商户后续会进行不同的操作，若目标商户为入网申请客户，由于该商户尚没有交易行为，动态实体评分为基础分值，根据该商户的风险等级，低风险和较低风险客户准予入网，中风险客户推送给审核员进行人工干预，较高风险、高风险客户驳回入网申请，若目标商户为在网存量商户，根据该商户的风险等级，低风险及较低风险客户不做干预，中风险客户推送给巡检名单并提醒控制限额，较高风险客户进行止出，名单推送反洗钱和风控跟进，高风险客户进行止入止出，名单推送反洗钱和风控跟进。
本申请发现，目前行业内防范此类风险的常见方案，仍然依赖于人工审核以确保交易的合法性，然而，传统的人工审核方式存在诸多问题，包括但不限于审核速度慢、准确性不足、容易受到个体经验的影响以及难以形成业务知识沉淀等问题。
与现有技术相比，本申请将现有技术中的凭审核人经验进行风险评分，通过机器学习的手段，转化为量化的评分，有据可依，可系统自动化，将孤立的数据要素，链接成图谱，可识别到孤立要素无法感知到的风险，所有审核结果，回溯到知识图谱，沉淀为后续新进商户审核的知识资产，不再停留在审核员个人经验，对于在网存量商户，入网后自动持续检测，组成四维评分体系，通过将单个实体的交易特征风险评分在图谱上进行聚合传播再进行计算，对识别出的单个实体异常，发现尚未表现出的潜在异常客户，将原本孤立的已发现的异常实体沉淀为知识资产，供后续入网和持续检测所使用入网审核商户在图谱上具备联通顶点（商户）时，可通过实体关联评分进行评估。
在一些实施例中，所述商户资料信息包括所述目标商户提交的入网申请资料信息及通过可信数据渠道获得的所述目标商户的补充资料信息。在一些实施例中，目标商户提交的入网申请资料信息包括但不限于商户类型、营业地址、营业执照、商户名称、统一社会信用码、注册地址、注册资本、成立日期、营业期限、经营范围、拓展渠道、法人代表名称、法人证件号、法人证件有效期、法人地址、实控人类型、实控人证件、实控人名称、实控人证件有效期、受益人姓名、受益人证件、受益人证件有效期、银行卡信息、联系人、联系人手机号、联系人邮箱等。在一些实施例中，目标商户的补充资料信息包括但不限于实缴资本、曾用名、参保人数、涉案信息、行政处罚信息、与采购的各类黑名单进行匹配得到的匹配信息。
在一些实施例中，所述方法还包括：网络设备根据多个商户的商户资料信息及所述多个商户对应的静态实体评分标签信息对静态实体评分模型进行训练，得到已训练的静态实体评分模型。在一些实施例中，根据已入网的海量商户的商户资料信息以及对应的评分标签来对静态实体评分模型进行机器学习训练，得到已训练的静态实体评分模型，其中，评分标签主要通过以下3类来源收集的信息进行标记的：过往公司风控、反洗钱部门通过自主分析识别到的异常商户；过往司法协查所涉及的涉案商户；外部采购的黑名单。
在一些实施例中，所述方法还包括：网络设备根据多个商户的商户资料信息，提取出商户实体信息及关键人信息；根据所述商户实体信息及所述关键人信息，构造商户类型顶点及自然人类型顶点，根据所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息，构造所述商户类型顶点与所述自然人类型顶点之间的边；根据所述商户类型顶点、所述自然人类型顶点及所述商户类型顶点与所述自然人类型顶点之间的边，构建所述业务实体关系图谱。在一些实施例中，根据已入网的海量商户的商户资料信息，提取出多个商户实体信息及多个关键人（包括但不限于法人、受益人、联系人等）信息，然后根据商户实体信息构造对应的商户类型顶点，每个商户类型顶点由一个唯一标识顶点ID（例如，统一社会信用代码、营业执照号等）和若干个业务需要的属性（例如，名称、注册资金、地址、成立日期、营业期限、参保人数、行政处罚条数、命中黑名单次数等）构成，根据关键人信息构造对应的自然人类型顶点，每个自然人类型顶点由一个唯一标识顶点ID（例如，身份证号、护照号等）和若干个业务需要的属性（例如，名称、地址、证件有效期等）构成，根据商户类型顶点的对应商户实体与自然人类型顶点的对应关键人之间的关系信息，构造商户类型顶点与自然人类型顶点之间的边，该关系信息包括两者之间的关系类型（例如，法人、受益人、联系人等），每条边由源顶点（一个商户类型顶点或自然人类型顶点）的标识信息顶点ID、目标顶点（另一个商户类型顶点或自然人类型顶点）的标识信息顶点ID、两者之间的关系类型属性构成。在一些实施例中，可以根据由多个商户类型顶点及多个自然人类型顶点组成的顶点集合，以及由商户类型顶点与自然人类型顶点之间的边组成的边集合，构建业务实体关系图谱，例如，顶点结合与边集合可以是两个Spark （通用的分布式计算引擎）弹性数据集 RDD （分布式数据集，逻辑上可以理解为构造了两张属性表），然后使用Spark GraphX（一个分布式图处理框架） 图计算方法基于这两个RDD构建关系图谱。作为一个示例，如图7所示，业务实体关系图谱中包括多个商户类型顶点和多个自然人类型顶点，每个顶点对应的名称属性（商户名称或自然人姓名）呈现在该业务实体关系图谱上，商户类型顶点和自然人类型顶点之间的边对应的关系类型属性包括联系人、法人、受益人等。
在一些实施例中，所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息包括以下至少一项：法人关系；受益人关系；联系人关系。
在一些实施例中，所述将所述目标商户加入业务实体关系图谱得到所述目标商户的静态实体关联评分，包括：根据所述目标商户的商户资料信息，将所述目标商户加入业务实体关系图谱；根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。在一些实施例中，静态实体关联评分表征的是与目标商户存在交集关键人的其他商户的风险特征。在一些实施例中，先根据目标商户的商户资料信息，构建目标商户对应的商户类型顶点，再将该商户类型顶点加入业务实体关系图谱，然后根据该图谱中与该商户类型顶点存在指定数量的度数关系的每个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，例如，可以对多个其他商户类型顶点所对应的静态实体评分求平均，计算得到目标商户的静态实体关联评分，其中，该指定数量为大于或等于2的偶数（例如，2、4、6等），在此，一度关系也叫一阶关系，是指两个顶点之间直接相连的关系，如果顶点A和顶点B直接相连，那么顶点A和顶点B之间就存在一度关系，这种关系通常表示顶点之间的直接连接或邻接关系，二度关系通常指的是一个顶点与其他顶点之间的直接连接顶点的顶点，如果顶点A直接连接到顶点B，那么顶点A和顶点B之间是一度关系，如果顶点B还直接连接到顶点C，那么顶点A和顶点C之间就是二度关系，因为它们通过一个共同的邻居（顶点B）相互连接，其他更高数量的度数关系在此不再赘述。如图4所示，商户C与商户A有共同的关键人003（共同受益人），商户C与商户D有共同的关键人007（007是商户C的受益人，同时也是商户D的法人），由商户A和商户C的静态实体评分计算出来，标记给商户C的评分，称为商户C的静态实体关联评分。在一些实施例中，该指定数量还需要满足小于或等于一个预定的数量阈值。优选地，仅根据该图谱中与该商户类型顶点存在二度关系的每个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，具体计算方式可以是在图谱上通过聚合及传播操作计算得到目标商户的静态实体关联评分，例如，使用Spark GraphX 计算框架内的边上的消息发送机制，Spark GraphX 中的核心聚合操作是aggregateMessages（聚合消息），该运算符将用户定义的 sendMsg（发送消息） 函数应用于图谱中的每个边三元组（triplet），然后使用mergeMsg（合并消息） 函数在其边的顶点上聚合这些消息，这里需要经过两轮计算：第一轮，使用aggregateMessages，沿着边箭头逆向triplet.sendToSrc(triplet.dstAttr)（将消息沿着边箭头逆向从一个顶点发送到另一个顶点） ，将商户类型顶点的静态实体评分以消息的形式发送到自然人类型顶点，对于一个自然人类型顶点，将其所有邻接的商户类型顶点的静态实体评分与该付款人类型顶点的顶点ID进行聚合拼接成消息属性；第二轮，使用aggregateMessages ，沿着边箭头正向triplet.sendToDst(triplet.srcAttr) （将消息沿着边箭头正向从一个顶点发送到另一个顶点） 将自然人类型顶点经过第一轮聚合拼接成的消息属性，发送（传播）到其每一个邻接的商户类型顶点，此时每一个商户类型顶点就有了与其存在二度关系的的其他商户类型顶点的静态实体评分，再进行拆分，除去该商户类型顶点自己的静态实体评分，进行均值计算，即可得到该商户类型顶点的静态实体关联评分。作为一个示例，如图3所示，商户提交资料申请入网，通过渠道获取该商户的补充信息，通过将该商户的入网申请资料和补充信息输入评分卡模型（静态实体评分模型）得到该商户的静态实体评分，将该商户作为一个商户类型顶点加入业务实体关系图谱，通过图计算传播风险评分（即前面所述的第一轮计算）+聚合风险评分（即前面所述的第二轮计算），得到该商户的静态实体关联评分，然后根据该商户的静态实体评分及静态实体关联评分，确定该商户是否入网及入网风险等级。作为一个实例，如图4所示，商户A-商户E是业务实体关系图谱中的商户类型顶点，001-019是业务实体关系图谱中的自然人类型顶点，商户类型顶点与自然人类型顶点之间的边对应的关系类型属性包括受益人、法人、实控人、联系人等。
在一些实施例中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，包括：根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。在一些实施例中，若该指定数量为大于或等于2的偶数，而不仅仅包括2，则可以根据该图谱中与该商户类型顶点存在指定数量的度数关系的每个其他商户类型顶点的对应商户的静态实体评分及该其他商户类型顶点与该商户类型顶点之间的路径长度，通过一个预定的计算公式，计算得到所述目标商户的静态实体关联评分，其中，两个顶点之间的路径长度也可以称作两个顶点之间的跳数，即两个顶点在图谱中对应的最短路径所包含的边的条数。
在一些实施例中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分、所述其他商户类型顶点与所述商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，包括：从所述业务实体关系图谱中确定与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点，其中，所述指定数量为大于或等于2的偶数；根据所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度确定所述其他商户类型顶点对应的权重信息；根据所述业务实体关系图谱中所述至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点对应的权重信息，计算得到所述目标商户的静态实体关联评分。在一些实施例中，对于与该商户类型顶点存在指定数量的度数关系的每个其他商户类型顶点，可以先根据该其他商户类型顶点与该商户类型顶点之间的路径长度，确定该其他商户类型顶点的权重，例如，该权重与路径长度成反比，路径长度越长，则权重越小，路径长度越短，则权重越小，然后通过每个其他商户类型顶点的权重来对该其他商户类型顶点的静态实体评分进行加权，然后根据每个其他商户类型顶点对应的加权后的静态实体评分，计算得到所述目标商户的静态实体关联评分，例如，可以对多个其他商户类型顶点所对应的加权后的静态实体评分求平均，计算得到目标商户的静态实体关联评分。
在一些实施例中，所述方法还包括：网络设备根据多个商户的商户交易数据及所述多个商户对应的动态实体评分标签信息对动态实体评分模型进行训练，得到已训练的动态实体评分模型。在一些实施例中，根据已入网的海量商户的商户交易数据以及对应的评分标签来对动态实体评分模型进行机器学习训练，得到已训练的动态实体评分模型，其中，评分标签主要通过以下3类来源收集的信息进行标记的：过往公司风控、反洗钱部门通过自主分析识别到的异常商户；过往司法协查所涉及的涉案商户；外部采购的黑名单。
在一些实施例中，所述方法还包括：根据多个商户的商户交易数据，提取出商户实体信息及付款人信息；根据所述商户实体信息及所述付款人信息，构造商户类型顶点及付款人类型顶点，根据所述商户类型顶点的对应商户实体与所述付款人类型顶点的对应付款人之间的关系信息，构造所述商户类型顶点与所述付款人类型顶点之间的边；根据所述商户类型顶点、所述付款人类型顶点及所述商户类型顶点与所述付款人类型顶点之间的边，构建所述支付资金关系图谱。在一些实施例中，根据已入网的海量商户的商户交易数据，提取出多个商户实体信息及多个付款人信息，然后根据商户实体信息构造对应的商户类型顶点，每个商户类型顶点由一个唯一标识顶点ID（例如，统一社会信用代码、营业执照号等）和若干个业务需要的属性（例如，名称等）构成，根据付款人信息构造对应的付款人类型顶点，每个付款人类型顶点由一个唯一标识顶点ID（例如，身份证号、护照号等）和若干个业务需要的属性（例如，名称、银行账户、银行名称、银行编号等）构成，根据商户类型顶点的对应商户实体与付款人类型顶点的对应付款人之间的关系信息（例如，付款总笔数、付款总金额等），构造商户类型顶点与付款人类型顶点之间的边，每条边由源顶点（一个商户类型顶点或付款人类型顶点）的标识信息顶点ID、目标顶点（另一个商户类型顶点或付款人类型顶点）的标识信息顶点ID、两者之间的付款总笔数属性、付款总金额属性、关系类型属性（付款）等业务属性构成。在一些实施例中，可以根据由多个商户类型顶点及多个付款人类型顶点组成的顶点集合，以及由商户类型顶点与付款人类型顶点之间的边组成的边集合，构建支付资金关系图谱，例如，顶点结合与边集合可以是两个Spark 弹性数据集 RDD （逻辑上可以理解为构造了两张属性表），然后使用Spark GraphX 图计算方法基于这两个RDD构建关系图谱。作为一个示例，如图8所示，支付资金关系图谱中包括多个商户类型顶点和多个付款人类型顶点，每个顶点对应的名称属性（商户名称或付款人银行账户名）呈现在该支付资金关系图谱上，商户类型顶点和付款人类型顶点之间的边对应的关系类型属性为付款。
在一些实施例中，所述将所述目标商户加入支付资金关系图谱得到所述目标商户的动态实体关联评分，包括：根据所述目标商户的商户交易数据，将所述目标商户加入支付资金关系图谱；根据所述支付资金关系图谱中与所述目标商户对应的商户类型顶点存在至少二度关系的至少一个其他商户类型顶点的对应商户的动态实体评分，计算所述目标商户的动态实体关联评分。在一些实施例中，动态实体关联评分表征的是与目标商户有共同交易对手的其他商户的风险特征。在一些实施例中，先根据目标商户的商户交易数据，构建目标商户对应的商户类型顶点，再将该商户类型顶点加入支付资金关系图谱，然后根据该图谱中与该商户类型顶点存在指定数量的度数关系的每个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的动态实体关联评分，例如，可以对多个其他商户类型顶点所对应的动态实体评分求平均，计算得到目标商户的动态实体关联评分，其中，该指定数量为大于或等于2的偶数（例如，2、4、6等）。在一些实施例中，该指定数量还需要满足小于或等于一个预定的数量阈值。优选地，仅根据该图谱中与该商户类型顶点存在二度关系的每个其他商户类型顶点的对应商户的动态实体评分，计算得到所述目标商户的动态实体关联评分。在一些实施例中，动态实体关联评分的计算方法（第一轮计算与第二轮计算）与前文所述的静态实体关联评分的计算方法相同或相似，在此不再赘述。作为一个示例，如图5所示，通过将商户的商户行为画像输入评分卡模型（动态实体评分模型）得到该商户的动态实体评分，将该商户作为一个商户类型顶点加入支付资金关系图谱，通过图计算传播风险评分（即前面所述的第一轮计算）+聚合风险评分（即前面所述的第二轮计算），得到该商户的动态实体关联评分，然后根据该商户的动态实体评分及动态实体关联评分，确定该商户是否入网及入网风险等级。作为一个实例，如图6所示，商户A-商户E是支付资金关系图谱中的商户类型顶点，001-018是支付资金关系图谱中的付款人类型顶点，商户类型顶点与付款人类型顶点之间的边对应的关系类型属性均为付款。
在一些实施例中，所述步骤S13包括：网络设备根据所述静态实体评分及对应的第一权重信息、所述静态实体关联评分及对应的第二权重信息、所述动态实体评分及对应的第三权重信息、所述动态实体关联评分及对应的第四权重信息，确定所述目标商户对应的商户风险信息。在一些实施例中，不同类型的评分存在各自分别对应的权重，将这四个不同类型的评分根据各自的权重进行加权计算，得到目标商户的风险评分，例如，风险评分=第一权重信息（例如，0.33）*静态实体评分+第三权重信息（例如，0.3）*动态实体评分+第二权重信息（例如，0.2）*静态实体关联评分+第四权重信息（例如，0.17）*动态实体关联评分。在一些实施例中，权重值可以在后台进行动态配置，并非是固定的。
在一些实施例中，所述方法还包括：网络设备获取所述目标商户的最新商户交易数据，将所述目标商户的最新商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的最新动态实体评分，在所述支付资金关系图谱中更新所述目标商户对应的商户类型顶点，计算得到所述目标商户的最新动态实体关联评分；根据所述静态实体评分、所述静态实体关联评分、所述最新动态实体评分及所述最新动态实体关联评分，更新所述目标商户对应的商户风险信息。在一些实施例中，若目标商户为在网存量商户，可以每隔预定的时间间隔获取该商户的最新商户交易数据（例如，每日凌晨会根据截止当日的交易，进行回溯更新，得到最新商户交易数据），或者，持续监测该商户的交易数据，若监测到该商户的交易数据存在更新，则获取该商户的最新商户交易数据。在一些实施例中，在获取到目标商户的最新商户交易数据之后，将该最新商户交易数据输入已训练的动态实体评分模型，得到目标商户的最新动态实体评分，并根据该最新商户交易数据，在支付资金关系图谱中更新目标商户对应的商户类型顶点以及该商户类型顶点与该图谱中的付款人类型顶点之间的边，更新后通过图计算得到目标商户的最新动态实体关联评分，然后根据目标商户的静态实体评分、静态实体关联评分、最新动态实体评分及最新动态实体关联评分，重新确定目标商户的商户风险信息，即对目标商户的商户风险信息进行更新。
图2示出根据本申请一个实施例的一种用于确定商户风险信息的网络设备结构图，该设备包括一一模块11、一二模块12和一三模块13。一一模块11，用于将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；一二模块12，用于将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；一三模块13，用于根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
一一模块11，用于将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边。在一些实施例中，目标商户可以是入网申请商户，也可以是在网存量商户，商户资料信息包括但不限于目标商户在入网申请时提交的资料以及通过可信数据渠道获取的目标商户的补充资料。在一些实施例中，静态实体评分模型是通过对商户的工商信息、关键人信息、资本规模信息、行政处罚信息和司法案件信息等信息评分进行机器学习训练得到的，通过将目标商户的商户资料信息输入已训练的静态实体评分模型，该模型会输出目标商户的静态实体评分。在一些实施例中，业务实体关系图谱包括多个商户类型顶点及多个自然人类型顶点，一个商户类型顶点的对应商户与一个自然人类型顶点的对应自然人之间的关联关系（例如，自然人是商户的法人、受益人、联系人等）构成这两个顶点之间的边，通过将目标商户作为一个商户类型顶点加入该图谱，在该图谱中基于目标商户对应的商户类型顶点以外的其他商户类型顶点（例如，目标商户对应的商户类型顶点附近的与该商户类型顶点存在一度关系的其他商户类型顶点）的对应商户的静态实体评分，通过图计算得到目标商户的静态实体关联评分。
一二模块12，用于将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边。在一些实施例中，商户交易数据是指目标商户与境外付款方之间的交易数据，包括但不限于付款人信息（付款人名称、付款银行、付款银行编号、付款银行卡号、付款人地址、付款人国家地区等信息）、交易信息（原始币种、付款金额、付款时间等信息）、合同信息（付款方式、商品品类、商品单价、商品梳理、物流方式、物流名称、物流单号、发货凭证、贸易国家地区、申报模式等信息）、付款人与黑名单匹配信息（将境外买家的付款名称、银行卡号与黑名单进行匹配得到的）、累计交易笔数，累计金额，交易对手数，交易对手集中度、高额交易时段，交易品类等。在一些实施例中，动态实体评分模型是通过对商户交易对手国家地区、银行、黑名单匹配状况、交易金额、交易频率、交易变化、跨境商务合同、物流、商品等统计信息等动态信息进行机器学习训练得到的，通过将目标商户的商户资料信息输入已训练的动态实体评分模型，该模型会输出目标商户的动态实体评分。在一些实施例中，支付资金关系图谱包括多个商户类型顶点及多个付款人类型顶点，一个商户类型顶点的对应商户与一个付款人类型顶点的对应付款人之间的关联关系（例如，付款总笔数、付款总金额等）构成这两个顶点之间的边，通过将目标商户作为一个商户类型顶点加入该图谱，在该图谱中基于目标商户对应的商户类型顶点以外的其他商户类型顶点（例如，目标商户对应的商户类型顶点附近的与该商户类型顶点存在二度关系的其他商户类型顶点）的对应商户的动态实体评分，通过图计算得到目标商户的动态实体关联评分。
一三模块13，用于根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。在一些实施例中，可以将之前得到的这四个评分共同用于辅助反洗钱风险决策。在一些实施例中，商户风险信息可以是指目标商户的风险评分（一个具体的分数数值），或者，还可以是指目标商户的风险等级（例如，低风险、较低风险、中风险、较高风险、高风险等5个等级）。在一些实施例中，可以将这四个评分输入一个已训练的风险模型，该模型输出目标商户的风险评分或风险等级，或者，还可以将四个评分输入一个预定的计算公式，计算得到目标商户的风险评分，或者，在此基础上，根据目标商户的风险评分所落入的区间，来确定目标商户的风险等级，例如，风险评分>=90分为低风险；风险评分>=80分为较低风险；风险评分>=70分为中风险；风险评分>=60分为较高风险；风险评分<60分为高风险。在一些实施例中，对于不同风险等级的商户后续会进行不同的操作，若目标商户为入网申请客户，由于该商户尚没有交易行为，动态实体评分为基础分值，根据该商户的风险等级，低风险和较低风险客户准予入网，中风险客户推送给审核员进行人工干预，较高风险、高风险客户驳回入网申请，若目标商户为在网存量商户，根据该商户的风险等级，低风险及较低风险客户不做干预，中风险客户推送给巡检名单并提醒控制限额，较高风险客户进行止出，名单推送反洗钱和风控跟进，高风险客户进行止入止出，名单推送反洗钱和风控跟进。本申请将现有技术中的凭审核人经验进行风险评分，通过机器学习的手段，转化为量化的评分，有据可依，可系统自动化，将孤立的数据要素，链接成图谱，可识别到孤立要素无法感知到的风险，所有审核结果，回溯到知识图谱，沉淀为后续新进商户审核的知识资产，不再停留在审核员个人经验，对于在网存量商户，入网后自动持续检测，组成四维评分体系，通过将单个实体的交易特征风险评分在图谱上进行聚合传播再进行计算，对识别出的单个实体异常，发现尚未表现出的潜在异常客户，将原本孤立的已发现的异常实体沉淀为知识资产，供后续入网和持续检测所使用入网审核商户在图谱上具备联通顶点（商户）时，可通过实体关联评分进行评估。
在一些实施例中，所述商户资料信息包括所述目标商户提交的入网申请资料信息及通过可信数据渠道获得的所述目标商户的补充资料信息。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述设备还用于：根据多个商户的商户资料信息及所述多个商户对应的静态实体评分标签信息对静态实体评分模型进行训练，得到已训练的静态实体评分模型。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述设备还用于：根据多个商户的商户资料信息，提取出商户实体信息及关键人信息；根据所述商户实体信息及所述关键人信息，构造商户类型顶点及自然人类型顶点，根据所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息，构造所述商户类型顶点与所述自然人类型顶点之间的边；根据所述商户类型顶点、所述自然人类型顶点及所述商户类型顶点与所述自然人类型顶点之间的边，构建所述业务实体关系图谱。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息包括以下至少一项：法人关系；受益人关系；联系人关系。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此
在一些实施例中，所述将所述目标商户加入业务实体关系图谱得到所述目标商户的静态实体关联评分，包括：根据所述目标商户的商户资料信息，将所述目标商户加入业务实体关系图谱；根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，包括：根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分、所述其他商户类型顶点与所述商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，包括：从所述业务实体关系图谱中确定与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点，其中，所述指定数量为大于或等于2的偶数；根据所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度确定所述其他商户类型顶点对应的权重信息；根据所述业务实体关系图谱中与所述至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点对应的权重信息，计算得到所述目标商户的静态实体关联评分。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述设备还用于：根据多个商户的商户交易数据及所述多个商户对应的动态实体评分标签信息对动态实体评分模型进行训练，得到已训练的动态实体评分模型。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述设备还用于：根据多个商户的商户交易数据，提取出商户实体信息及付款人信息；根据所述商户实体信息及所述付款人信息，构造商户类型顶点及付款人类型顶点，根据所述商户类型顶点的对应商户实体与所述付款人类型顶点的对应付款人之间的关系信息，构造所述商户类型顶点与所述付款人类型顶点之间的边；根据所述商户类型顶点、所述付款人类型顶点及所述商户类型顶点与所述付款人类型顶点之间的边，构建所述支付资金关系图谱。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述将所述目标商户加入支付资金关系图谱得到所述目标商户的动态实体关联评分，包括：根据所述目标商户的商户交易数据，将所述目标商户加入支付资金关系图谱；根据所述支付资金关系图谱中与所述目标商户对应的商户类型顶点存在至少二度关系的至少一个其他商户类型顶点的对应商户的动态实体评分，计算所述目标商户的动态实体关联评分。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述一三模块13用于：根据所述静态实体评分及对应的第一权重信息、所述静态实体关联评分及对应的第二权重信息、所述动态实体评分及对应的第三权重信息、所述动态实体关联评分及对应的第四权重信息，确定所述目标商户对应的商户风险信息。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
在一些实施例中，所述设备还用于：获取所述目标商户的最新商户交易数据，将所述目标商户的最新商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的最新动态实体评分，在所述支付资金关系图谱中更新所述目标商户对应的商户类型顶点，计算得到所述目标商户的最新动态实体关联评分；根据所述静态实体评分、所述静态实体关联评分、所述最新动态实体评分及所述最新动态实体关联评分，更新所述目标商户对应的商户风险信息。在此，相关操作与图1所示实施例相同或相近，故不再赘述，在此以引用方式包含于此。
除上述各实施例介绍的方法和设备外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机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如前任一项所述的方法。
图9示出了可被用于实施本申请中所述的各个实施例的示例性系统；
如图9所示在一些实施例中，系统300能够作为各所述实施例中的任意一个设备。在一些实施例中，系统300可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或NVM/存储设备320)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如，(一个或多个)处理器305)。
对于一个实施例，系统控制模块310可包括任意适当的接口控制器，以向(一个或多个)处理器305中的至少一个和/或与系统控制模块310通信的任意适当的设备或组件提供任意适当的接口。
系统控制模块310可包括存储器控制器模块330，以向系统存储器315提供接口。存储器控制器模块330可以是硬件模块、软件模块和/或固件模块。
系统存储器315可被用于例如为系统300加载和存储数据和/或指令。对于一个实施例，系统存储器315可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，系统存储器315可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，系统控制模块310可包括一个或多个输入/输出(I/O)控制器，以向NVM/存储设备320及(一个或多个)通信接口325提供接口。
例如，NVM/存储设备320可被用于存储数据和/或指令。NVM/存储设备320可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备320可包括在物理上作为系统300被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，NVM/存储设备320可通过网络经由(一个或多个)通信接口325进行访问。
(一个或多个)通信接口325可为系统300提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器(例如，存储器控制器模块330)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，系统300可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统300可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
除上述各实施例介绍的方法和设备外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机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如前任一项所述的方法。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路（ASIC）、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序（包括相关的数据结构）可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(RAM, DRAM, SRAM)；以及非易失性存储器，诸如闪存、各种只读存储器(ROM,PROM, EPROM, EEPROM)、磁性和铁磁/铁电存储器(MRAM, FeRAM)；以及磁性和光学存储设备(硬盘、磁带、CD、DVD)；或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (15)

1.一种用于确定商户风险信息的方法，其中，所述方法包括：
将目标商户的商户资料信息输入已训练的静态实体评分模型，得到所述目标商户的静态实体评分，将所述目标商户加入业务实体关系图谱并计算得到所述目标商户的静态实体关联评分，其中，所述业务实体关系图谱包括商户类型顶点、自然人类型顶点及商户类型顶点与自然人类型顶点之间的关系信息构成的边；
将所述目标商户的商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的动态实体评分，将所述目标商户加入支付资金关系图谱并计算得到所述目标商户的动态实体关联评分，其中，所述支付资金关系图谱包括商户类型顶点、付款人类型顶点及商户类型顶点与付款人类型顶点之间的关系信息构成的边；
根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息。
2.根据权利要求1所述的方法，其中，所述商户资料信息包括所述目标商户提交的入网申请资料信息及通过可信数据渠道获得的所述目标商户的补充资料信息。
3.根据权利要求1或2所述的方法，其中，所述方法还包括：
根据多个商户的商户资料信息及所述多个商户对应的静态实体评分标签信息对静态实体评分模型进行训练，得到已训练的静态实体评分模型。
4.根据权利要求1所述的方法，其中，所述方法还包括：
根据多个商户的商户资料信息，提取出商户实体信息及关键人信息；
根据所述商户实体信息及所述关键人信息，构造商户类型顶点及自然人类型顶点，根据所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息，构造所述商户类型顶点与所述自然人类型顶点之间的边；
根据所述商户类型顶点、所述自然人类型顶点及所述商户类型顶点与所述自然人类型顶点之间的边，构建所述业务实体关系图谱。
5.根据权利要求4所述的方法，其中，所述商户类型顶点的对应商户实体与所述自然人类型顶点的对应关键人之间的关系信息包括以下至少一项：
法人关系；
受益人关系；
联系人关系。
6.根据权利要求1或4所述的方法，其中，所述将所述目标商户加入业务实体关系图谱得到所述目标商户的静态实体关联评分，包括：
根据所述目标商户的商户资料信息，将所述目标商户加入业务实体关系图谱；
根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。
7.根据权利要求6所述的方法，其中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数，包括：
根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数。
8.根据权利要求7所述的方法，其中，所述根据所述业务实体关系图谱中与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度，计算得到所述目标商户的静态实体关联评分，其中，所述指定数量为大于或等于2的偶数，包括：
从所述业务实体关系图谱中确定与所述目标商户对应的商户类型顶点存在指定数量的度数关系的至少一个其他商户类型顶点，其中，所述指定数量为大于或等于2的偶数；
根据所述其他商户类型顶点与所述目标商户对应的商户类型顶点之间的路径长度确定所述其他商户类型顶点对应的权重信息；
根据所述业务实体关系图谱中所述至少一个其他商户类型顶点的对应商户的静态实体评分，以及所述其他商户类型顶点对应的权重信息，计算得到所述目标商户的静态实体关联评分。
9.根据权利要求1所述的方法，其中，所述方法还包括：
根据多个商户的商户交易数据及所述多个商户对应的动态实体评分标签信息对动态实体评分模型进行训练，得到已训练的动态实体评分模型。
10.根据权利要求1所述的方法，其中，所述方法还包括：
根据多个商户的商户交易数据，提取出商户实体信息及付款人信息；
根据所述商户实体信息及所述付款人信息，构造商户类型顶点及付款人类型顶点，根据所述商户类型顶点的对应商户实体与所述付款人类型顶点的对应付款人之间的关系信息，构造所述商户类型顶点与所述付款人类型顶点之间的边；
根据所述商户类型顶点、所述付款人类型顶点及所述商户类型顶点与所述付款人类型顶点之间的边，构建所述支付资金关系图谱。
11.根据权利要求1或10所述的方法，其中，所述将所述目标商户加入支付资金关系图谱得到所述目标商户的动态实体关联评分，包括：
根据所述目标商户的商户交易数据，将所述目标商户加入支付资金关系图谱；
根据所述支付资金关系图谱中与所述目标商户对应的商户类型顶点存在至少二度关系的至少一个其他商户类型顶点的对应商户的动态实体评分，计算所述目标商户的动态实体关联评分。
12.根据权利要求1所述的方法，其中，所述根据所述静态实体评分、所述静态实体关联评分、所述动态实体评分及所述动态实体关联评分，确定所述目标商户对应的商户风险信息，包括：
根据所述静态实体评分及对应的第一权重信息、所述静态实体关联评分及对应的第二权重信息、所述动态实体评分及对应的第三权重信息、所述动态实体关联评分及对应的第四权重信息，确定所述目标商户对应的商户风险信息。
13.根据权利要求1所述的方法，其中，所述方法还包括：
获取所述目标商户的最新商户交易数据，将所述目标商户的最新商户交易数据输入已训练的动态实体评分模型，得到所述目标商户的最新动态实体评分，在所述支付资金关系图谱中更新所述目标商户对应的商户类型顶点，计算得到所述目标商户的最新动态实体关联评分；
根据所述静态实体评分、所述静态实体关联评分、所述最新动态实体评分及所述最新动态实体关联评分，更新所述目标商户对应的商户风险信息。
14.一种用于确定商户风险信息的计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至13中任一项所述方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至13中任一项所述方法的步骤。
CN202410056751.9A 2024-01-15 2024-01-15 一种用于确定商户风险信息的方法、设备及介质 Active CN117575796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410056751.9A CN117575796B (zh) 2024-01-15 2024-01-15 一种用于确定商户风险信息的方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410056751.9A CN117575796B (zh) 2024-01-15 2024-01-15 一种用于确定商户风险信息的方法、设备及介质

Publications (2)

Publication Number Publication Date
CN117575796A true CN117575796A (zh) 2024-02-20
CN117575796B CN117575796B (zh) 2024-06-28

Family

ID=89862707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410056751.9A Active CN117575796B (zh) 2024-01-15 2024-01-15 一种用于确定商户风险信息的方法、设备及介质

Country Status (1)

Country Link
CN (1) CN117575796B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160071035A1 (en) * 2014-09-05 2016-03-10 International Business Machines Corporation Implementing socially enabled business risk management
CN110097248A (zh) * 2019-03-19 2019-08-06 深圳壹账通智能科技有限公司 基于流立方技术的商户评级方法、装置、设备及存储介质
CN112581271A (zh) * 2020-12-21 2021-03-30 上海浦东发展银行股份有限公司 一种商户交易风险监测方法、装置、设备及存储介质
CN114331191A (zh) * 2021-12-30 2022-04-12 深圳微众信用科技股份有限公司 基于企业规模和关联的信用风险评估方法及装置
CN116205488A (zh) * 2023-02-13 2023-06-02 中国银联股份有限公司 风险商户识别方法、装置、设备、介质及产品
CN117010914A (zh) * 2023-08-08 2023-11-07 平安银行股份有限公司 风险团伙的识别方法、装置、计算机设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160071035A1 (en) * 2014-09-05 2016-03-10 International Business Machines Corporation Implementing socially enabled business risk management
CN110097248A (zh) * 2019-03-19 2019-08-06 深圳壹账通智能科技有限公司 基于流立方技术的商户评级方法、装置、设备及存储介质
CN112581271A (zh) * 2020-12-21 2021-03-30 上海浦东发展银行股份有限公司 一种商户交易风险监测方法、装置、设备及存储介质
CN114331191A (zh) * 2021-12-30 2022-04-12 深圳微众信用科技股份有限公司 基于企业规模和关联的信用风险评估方法及装置
CN116205488A (zh) * 2023-02-13 2023-06-02 中国银联股份有限公司 风险商户识别方法、装置、设备、介质及产品
CN117010914A (zh) * 2023-08-08 2023-11-07 平安银行股份有限公司 风险团伙的识别方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHEN TAN ET AL: "GTrans：Generic Knowledge Graph Embedding via Multi-State Entities and Dynamic Relation Spaces", 《IEEE ACESS》, vol. 6, 25 January 2018 (2018-01-25), pages 8232 - 8244 *
陈晓军 等: "企业风险知识图谱的构建及应用", 《计算机科学》, vol. 47, no. 11, 30 November 2020 (2020-11-30), pages 237 - 243 *

Also Published As

Publication number Publication date
CN117575796B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
De Roux et al. Tax fraud detection for under-reporting declarations using an unsupervised machine learning approach
CN108648071B (zh) 基于区块链的资源价值评估方法和装置
US20220358508A1 (en) Methods and systems for predicting account-level risk scores of cardholders
US10698795B2 (en) Virtual payments environment
US20200074416A1 (en) Routing transactions to a priority processing network based on routing rules
AU2023206104A1 (en) Network-based automated prediction modeling
CN110443700A (zh) 利用机器学习进行优化的跨区块货币交易
CN109063985A (zh) 一种业务的风险决策方法及装置
CA3089076C (en) Method and system for user data driven financial transaction description dictionary construction
CN111178219A (zh) 票据识别管理方法、装置、存储介质及电子设备
Noviandy et al. Credit card fraud detection for contemporary financial management using xgboost-driven machine learning and data augmentation techniques
US20190236608A1 (en) Transaction Aggregation and Multi-attribute Scoring System
US11397950B2 (en) Systems and methods for authenticating an electronic transaction
CN111260368A (zh) 一种账户交易风险判断方法、装置及电子设备
CN112330355A (zh) 消费券交易数据处理方法、装置、设备及存储介质
US20220188828A1 (en) Transaction generation for analytics evaluation
Fashoto et al. Hybrid methods for credit card fraud detection using K-means clustering with hidden Markov model and multilayer perceptron algorithm
WO2022113058A1 (en) Method for generating transferable tranches
CN109598425A (zh) 一种对风险对象进行管控的方法、装置及设备
Dong et al. Real-time Fraud Detection in e-Market Using Machine Learning Algorithms.
Onu et al. Detection of Ponzi scheme on Ethereum using machine learning algorithms
CN112702410B (zh) 一种基于区块链网络的评估系统、方法及相关设备
CN110858326A (zh) 模型训练及获取附加特征数据的方法、装置、设备及介质
CN114004699A (zh) 基于人工智能的风险管控方法、装置、设备及存储介质
CN110070383B (zh) 基于大数据分析的异常用户识别方法及装置

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
GR01 Patent grant
GR01 Patent grant