商家風險防控方法及裝置
本申請案涉及電腦技術領域，尤其涉及一種商家風險防控方法及裝置。
隨著網際網路技術的快速發展，行動支付越來越普及，消費者越來越習慣於使用第三方支付平台進行便捷的行動支付。
對於行動支付而言，選擇使用第三方支付平台的用戶和商家是最重要的兩個主體。隨著商家數量級的急劇增長，商家風險發生的機率也隨之增大，如何及時有效地對數以萬計的商家進行風險防控成為亟待解決的問題。
因此，亟需一種商家風險防控方法，以提高商家風險防控的時效性。
本申請案的實施例提供了一種商家風險防控方法及裝置，旨在藉由對商家風險防控相關的指標進行異常檢測，並每當檢測到指標資料存在異常的指標時，根據指標異常情況即時進行商家風險防控，實現商家風險確認前的風險提前識別，提高商家風險防控的時效性。
本申請案的實施例採用下述技術方案：
第一方面，本申請案的實施例提供一種商家風險防控方法，包括：
在檢測到商家的目標指標資料異常的情況下，確定所述目標指標資料對應的目標異常參數；
根據指標、類別和維度之間的對應關係，獲取所述目標指標資料對應的目標指標所屬的目標類別，及所述目標類別所屬的目標維度；
根據所述目標維度和所述目標類別，確定至少一個連動類別，所述至少一個連動類別下包括引起所述目標指標資料異常的指標；
根據所述目標異常參數和所述至少一個連動類別，進行商家風險防控。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述目標維度和所述目標類別，確定至少一個連動類別，包括：
獲取與所述目標維度關聯的至少一個連動維度；
在所述至少一個連動維度下，獲取與所述目標類別關聯的所述至少一個連動類別。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述目標異常參數和所述至少一個連動類別，進行商家風險防控，包括：
在所述至少一個連動類別下，獲取存在異常的指標資料對應的第一指標集合；
根據所述目標異常參數、所述至少一個連動類別和所述第一指標集合，進行商家風險防控。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述目標異常參數、所述至少一個連動類別和所述第一指標集合，進行商家風險防控，包括：
根據所述至少一個連動類別，確定造成所述目標指標資料出現異常的異常原因；
確定所述第一指標集合對應的第一參數集合，所述第一參數集合中各異常參數與所述第一指標集合中各指標的指標資料一一對應；
根據所述目標異常參數、所述第一指標集合和所述第一參數集合，確定第二指標集合和第二參數集合，所述第二參數集合中各異常參數與所述第二指標集合中各指標的指標資料一一對應；
根據所述異常原因、所述第二指標集合和所述第二參數集合，進行商家風險防控。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述至少一個連動類別，確定造成所述目標指標資料出現異常的異常原因，包括：
接收類別選擇指令；
在所述至少一個連動類別中，確定所述類別選擇指令對應的目標連動類別；
根據所述目標連動類別，確定所述異常原因。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述目標異常參數、所述第一指標集合和所述第一參數集合，確定第二指標集合和第二參數集合，包括：
確定所述目標異常參數與所述第一參數集合中的各異常參數間的差值；
在所述差值處於預設閾值範圍內的情況下，根據所述差值對應的異常參數構建所述第二參數集合；
根據所述第二參數集合中各異常參數對應的指標構建所述第二指標集合。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述異常原因、所述第二指標集合和所述第二參數集合，進行商家風險防控，包括：
在所述第二指標集合中，獲取風險防控指標，所述風險防控指標與所述異常原因相匹配；
在所述第二參數集合中，獲取風險防控參數，所述風險防控參數與所述風險防控指標一一對應；
根據所述風險防控指標和所述風險防控參數，進行商家風險防控。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述風險防控指標和所述風險防控參數，進行商家風險防控，包括：
在所述風險防控參數大於異常參數閾值的情況下，獲取與所述風險防控指標對應的風險防控策略；
根據所述風險防控策略進行商家風險防控。
可選的，本申請案的第一方面提供的商家風險防控方法，在進行商家風險防控前，所述方法還包括：
獲取歷史風險指標及對應的歷史異常參數。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述風險防控指標和所述風險防控參數，進行商家風險防控，包括：
在所述風險防控指標與所述歷史風險指標相比存在遺漏指標的情況下，根據第一訓練樣本，對初始模型進行訓練，得到第一商家風險識別模型；
部署所述第一商家風險識別模型以用於商家風險識別，並輸出風險識別結果；
獲取與所述風險識別結果對應的風險防控策略，以根據所述風險防控策略進行風險防控；
其中，所述遺漏指標包含在所述歷史風險指標中，所述第一訓練樣本包括所述風險防控指標、所述風險防控參數、所述遺漏指標及所述遺漏指標對應的遺漏異常參數。
可選的，本申請案的第一方面提供的商家風險防控方法，根據第一訓練樣本，對初始模型進行訓練，得到第一商家風險識別模型，包括：
根據所述風險防控參數和所述遺漏異常參數，確定風險識別閾值；
根據所述風險防控指標和所述遺漏指標，生成所述初始模型的輸入向量；
將所述輸入向量輸入所述初始模型，得到所述初始模型的輸出；
根據所述初始模型的輸出與所述風險識別閾值之間的差距，調整所述初始模型的參數；
重複以上步驟，直至所述差距滿足預設條件，得到所述第一商家風險識別模型。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述風險防控指標和所述風險防控參數，對所述商家進行風險防控，包括：
在所述風險防控指標與所述歷史風險指標相比不存在遺漏指標的情況下，根據所述第二訓練樣本，對初始模型進行訓練，得到第二商家風險識別模型；
部署所述第二商家風險識別模型以用於商家風險識別，並輸出風險識別結果；
獲取與所述風險識別結果對應的風險防控策略，以根據所述風險防控策略進行風險防控；
其中，所述遺漏指標包含在所述歷史風險指標中，所述第二訓練樣本包括所述第二風險防控指標和所述第二風險防控參數。
可選的，本申請案的第一方面提供的商家風險防控方法，根據所述第二訓練樣本，對初始模型進行訓練，得到第二商家風險識別模型，包括：
根據所述風險防控參數，確定風險識別閾值；
根據所述風險防控指標，生成所述初始模型的輸入向量；
將所述輸入向量輸入所述初始模型，得到所述初始模型的輸出；
根據所述初始模型的輸出與所述風險識別閾值之間的差距，調整所述初始模型的參數；
重複以上步驟，直至所述差距滿足預設條件，得到所述第二商家風險識別模型。
可選的，本申請案的第一方面提供的商家風險防控方法，所述方法還包括：
根據時序異常檢測模型，檢測所述商家的目標指標資料是否存在異常；
在檢測結果指示所述目標指標資料異常的情況下，確定所述目標指標資料存在異常。
可選的，本申請案的第一方面提供的商家風險防控方法，根據時序異常檢測模型，檢測所述商家的目標指標資料是否存在異常，包括：
確定所述目標指標資料在當前時段內對應的多個時序實測值；
根據時序預測值與所述多個時序實測值，計算得到與所述多個時序實測值對應的多個時序異常值；
在所述多個時序異常值的平均值大於或等於預設值的情況下，確定所述檢測結果指示所述目標指標資料異常；
在所述多個時序異常值的平均值小於所述預設值的情況下，確定所述檢測結果指示所述目標指標資料正常。
可選的，本申請案的第一方面提供的商家風險防控方法，確定所述時序異常值的步驟，包括：
確定所述時序實測值與所述時序預測值間的時序差值；
計算所述時序差值與所述時序預測值間的比值，得到所述時序異常值。
可選的，本申請案的第一方面提供的商家風險防控方法，所述方法包括以下至少一項：
所述維度包括地域維度、商家類型維度、支付介面維度中的至少一個；
所述類別包括商家註冊類別和商家運營類別中的至少一個。
可選的，本申請案的第一方面提供的商家風險防控方法，所述方法包括以下至少一項：
所述商家註冊類別中包括以下至少一項指標：商家性質、維護記錄、經營內容、所屬行業；
所述商家運營類別包括以下至少一項指標：交易金額、投訴次數、商品品質、服務品質和支付介面使用情況。
第二方面，本申請案的實施例還提供一種商家風險防控裝置，包括：
第一確定模組，用於在檢測到商家的目標指標資料異常的情況下，確定所述目標指標資料對應的目標異常參數；
獲取模組，用於根據指標、類別和維度之間的對應關係，獲取所述目標指標資料對應的目標指標所屬的目標類別，及所述目標類別所屬的目標維度；
第二確定模組，用於根據所述目標維度和所述目標類別，確定至少一個連動類別，所述至少一個連動類別下包括引起所述目標指標資料異常的指標；
處理模組，用於根據所述目標異常參數和所述至少一個連動類別，進行商家風險防控。
第三方面，本申請案的實施例還提供一種電子設備，包括：
處理器；以及
被安排成儲存電腦可執行指令的記憶體，所述可執行指令在被執行時使所述處理器執行以下操作：
在檢測到商家的目標指標資料異常的情況下，確定所述目標指標資料對應的目標異常參數；
根據指標、類別和維度之間的對應關係，獲取所述目標指標資料對應的目標指標所屬的目標類別，及所述目標類別所屬的目標維度；
根據所述目標維度和所述目標類別，確定至少一個連動類別，所述至少一個連動類別下包括引起所述目標指標資料異常的指標；
根據所述目標異常參數和所述至少一個連動類別，進行商家風險防控。
第四方面，本申請案的實施例還提供一種電腦可讀儲存媒介，其中，所述電腦可讀儲存媒介儲存一個或多個程式，所述一個或多個程式當被包括多個應用程式的電子設備執行時，使得所述電子設備執行以下操作：
在檢測到商家的目標指標資料異常的情況下，確定所述目標指標資料對應的目標異常參數；
根據指標、類別和維度之間的對應關係，獲取所述目標指標資料對應的目標指標所屬的目標類別，及所述目標類別所屬的目標維度；
根據所述目標維度和所述目標類別，確定至少一個連動類別，所述至少一個連動類別下包括引起所述目標指標資料異常的指標；
根據所述目標異常參數和所述至少一個連動類別，進行商家風險防控。
本申請案的實施例採用的上述至少一個技術方案能夠達到以下有益效果：
本申請案的實施例中，從不同的維度全面設置用於商家風險防控的指標，並將指標進行分類得到相應的類別，建立指標、類別和維度之間的對應關係，用以在檢測到指標資料存在異常的目標指標時，根據該對應關係，獲取引起目標指標資料異常的指標所屬的所有連動類別，進而根據獲取到的連動類別和表徵目標指標資料異常程度的目標異常參數進行商家風險防控。因此，藉由對商家風險防控相關的指標進行異常檢測，並每當檢測到指標資料存在異常的指標時，根據指標異常情況即時進行商家風險防控，實現商家風險確認前的風險提前識別，提高商家風險防控的時效性。
為使本申請案的目的、技術方案和優點更加清楚，下面將結合本申請案的具體實施例及相應的附圖對本申請案技術方案進行清楚、完整地描述。顯然，所描述的實施例僅是本申請案一部分實施例，而不是全部的實施例。根據本申請案中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本申請案保護的範圍。
隨著行動支付方式的普及，人們越來越習慣於使用第三方支付平台進行便捷的行動支付。而對於行動支付而言，選擇使用第三方支付平台的用戶和商家是最重要的兩個主體，且這兩個群體相互之間存在著積極的影響：越多的商家提供可以使用第三方支付平台進行行動支付的場景和服務，會積極帶動更多的用戶使用該第三方支付平台，反之，用戶數量級的不斷增長，同樣也會帶動商家數量級的不斷增長。
然而，隨著商家數量的不斷增長，問題商家的占比也會有所增長，當問題商家進行欺詐、賭博、套現及其他違規違禁行為時，會帶來相應的風險，嚴重時可能會對用戶的利益、商家的正常營運造成危害。因此，如何及時有效地對數以萬計的商家進行風險識別和防控成為亟待解決的問題。而且，考慮到商家風險往往涉及的資金數量級大，容易引起輿情和監管部門的注意，因此，商家風險防控的及時性顯得尤為重要。
為了實現對商家風險的有效防控，可以採用以下所述的防控方案：
(1)根據商家策略的防控方案，需要策略營運人員通過人工審理及分析案件的方式提取風險特徵，然後根據提取的風險特徵配置線上防控策略，以在商家的事前准入、事中交易和事後管控環節進行層層防控。
(2)根據風險檢測模型的防控方案，需要針對特定的商家風險，比如欺詐、賭博、套現等違規違禁行為引發的商家風險，分析設計相應的風險特徵，然後根據風險特徵建立風險檢測模型，進而可以根據該風險檢測模型輸出的風險值，結合相應的防控策略進行風險防控。
(3)根據用戶投訴的防控方案，實施該防控方案時，主要是對有用戶投訴的商家進行審理定性，核定風險後對相應的風險商家進行處罰，同時一併處罰與該風險商家相關的其他商家。
然而，上述幾種商家風險防控方案一般存在以下缺陷：
(1)在根據商家策略的防控方案中，不僅需要花費較多的人力審理及分析案件以進行風險特徵的提取，而且審理及分析的案件一般是針對已經發生的風險，如此，在有新型風險出現的情況下，需要重新審理及分析案件和提取風險特徵以重新配置防控策略，很明顯會降低風險防控的時效性，另外，新策略的防控效果很多時候需要在策略上線後才能進行評價。
(2)在根據風險檢測模型的防控方案中，建立風險檢測模型時，需要利用歷史資料中的黑白樣本，確定輸入風險檢測模型中的變數，然後訓練上線模型，建模週期比較長，而且，當風險檢測模型上線後，其對於歷史上沒有出現過的商家風險的識別能力有限，會出現模型檢測能力衰退的情況，為此需要定期重新訓練模型，顯然會影響風險防控的時效性。
(3)在根據用戶投訴的防控方案中，由於該方案屬於事後防控，所以不僅需要商家風險已經發生，並且要求在該商家風險傷害了使用者利益的情況下，有使用者主動進行投訴，進而根據用戶投訴對商家風險定性之後，才能對該類商家風險進行相應的管控，時效性不好。
因此，在實際應用場景中，以上幾種防控方案的風險防控結果往往無法滿足商家風險防控的實際需求，影響用戶體驗。
有鑒於此，本申請案的實施例提供了一種商家風險防控方案，能夠對商家風險進行提前識別，實現商家風險的動態防控，能夠提高商家風險防控的時效性，且具有較強的風險動態對抗能力，適用於不同類型的商家風險，通用性好。
以下結合附圖，詳細說明本申請案的各實施例提供的技術方案。
參見圖1所示，本申請案的實施例提供一種商家風險防控方法，該方法可包括以下步驟：
S101：在檢測到商家的目標指標資料異常的情況下，確定目標指標資料對應的目標異常參數。
S103：根據指標、類別和維度之間的對應關係，獲取目標指標資料對應的目標指標所屬的目標類別，及目標類別所屬的目標維度。
可以理解的是，在本申請案的實施例中，需要對商家的目標指標資料進行異常檢測，並在檢測到目標指標資料存在異常時，一方面需要根據預先建立的指標、類別和維度之間的對應關係，查找獲取該存在異常的目標指標資料對應的目標指標所屬的目標類別以及該目標類別所屬的目標維度，另一方面需要確定該目標指標資料對應的目標異常參數。
可選的，可以藉由以下實施例實現對商家的目標指標資料的異常檢測並確定目標異常參數：
根據時序異常檢測模型，檢測商家的目標指標資料是否存在異常。
可選的，時序異常檢測模型包括ARIMA模型(Autoregressive Integrated Moving Average Model，自回歸積分滑動平均模型)、HOLT-WINTERS模型(指數平滑模型)和LSTM(Long Short-Term Memory，長短期記憶網路)模型中的一個，當然也可以採用其他能夠實現異常檢測的模型。
可選的，根據時序異常檢測模型，檢測商家的目標指標資料是否存在異常的步驟可以包括：
確定目標指標資料在當前時段內對應的多個時序實測值；
根據時序預測值與多個時序實測值，計算得到與多個時序實測值對應的多個時序異常值；
在多個時序異常值的平均值大於或等於預設值的情況下，確定檢測結果指示目標指標資料異常；
在多個時序異常值的平均值小於預設值的情況下，確定檢測結果指示目標指標資料正常。
可選的，確定時序異常值的步驟，可以包括：
確定時序實測值與時序預測值間的時序差值；
計算時序差值與時序預測值間的比值，得到時序異常值。
可選的，目標指標資料可以反映作為參變數的目標指標的取值情況，目標異常參數可以反映目標指標資料存在異常時的異常程度，優選的，目標指標資料對應的目標異常參數可以為多個時序異常值的平均值。
其中，時序實測值可以反映目標指標資料在當前時段的一個檢測時間點上對應的實際檢測值，時序預測值可以反映目標指標資料按正常走向在該檢測時間點上的預估值，而時序實測值與時序預測值間的時序差值可以反映目標指標資料在該檢測時間點上，實際測量值與正常的預估值之間的差距，藉由該時序差值則可以衡量目標指標資料在該檢測時刻點的檢測值是否異動。
可以理解的是，上述當前時段和預設值的取值可以根據進行異常檢測的商家和目標指標的實際情況確定的經驗值；譬如，可以在連續3天內檢測到的多個時序異常值的平均值大於或等於預設值時，確定檢測結果指示目標指標資料異常。
再者，在檢測結果指示目標指標資料異常的情況下，確定目標指標資料存在異常。
可選的，在建立指標、類別和維度之間的對應關係時，可以從不同的維度全面設置用於商家風險防控的指標，並將指標進行分類得到相應的類別，其中，在設置指標的維度時，可以考慮從粗到細和/或從上級到下級等角度進行多層級的設置，以使指標的設計的覆蓋範圍更加全面、更加具體。
其中，維度可以包括地域維度、商家類型維度、支付介面維度中的至少一個。
例如，地域維度從粗到細可以包括自治區、省份、城市、旗縣和街道等。又例如，商家類型維度從上級到下級可以包括：服務商、業務拓展專員、線下商家、商家交易等。還例如，支付介面維度可以包括是否簽約第三方支付介面、第三方支付介面是否為支付寶等。
可以理解的是，在本申請案的實施例中，考慮到在商家分佈於不同地域的情況下，其經營等方面可能會受一定地域特性的影響，以及不同類型的商家各自的經營等方面也會有所區別，而採用的支付介面不同，其資金流轉許可權、操作流程等方面也會有所區別，則可能引起的商家風險也會存在區別，因此，可以通過設置不同的維度對商家進行異常檢測，以實現更加全面的商家風險監控。
另外，維度下的類別可以包括商家註冊類別和商家運營類別中的至少一個。
可選的，商家註冊類別可以包括以下至少一項指標：商家性質、維護記錄、經營內容、所屬行業；商家運營類別可以包括以下至少一項指標：交易金額、投訴次數、商品品質、服務品質和支付介面使用情況。
其中，商家性質可以包括個人商家和企業商家；維度記錄包括業務拓展專員(BD，Business Development)對商家進行定期維度的記錄，維護的內容可以包括監控商家繳稅、監控商家經營許可證是否到期、到期是否更新，監控商家是否及時處理客戶投訴等，BD每次維度商家後對應生成相應的維護記錄；經營內容可以指商家註冊時填寫的商家經營的商品，比如，水果店的經營內容可以是水果，蔬菜店的經營內容可以是蔬菜；商家所屬的行業可以指商家註冊時填寫的行業，也可以指根據商家的經營內容推導出的行業；交易金額可以包括商家在設定時長內的交易總金額；投訴次數可以包括商家最近週期內的投訴次數；支付介面使用情況可以包括商家的第三方支付介面是否被其他商家使用、第三方支付介面完成交易的地理位置資訊。
當然，用於對商家進行風險防控的維度、類別、指標等的設置不限於上述內容，可以根據具體的、實際的防控需求進行相應調整。
在本申請案的實施例中，可以通過對指定維度的指定類別下的特定指標進行異常檢測，實現對商家風險防控過程中時序上發生異動的目標指標資料進行捕捉；也可以對預先設計的所有指標進行異常檢測，實現對商家風險防控過程中時序上發生異動的目標指標資料進行捕捉。其中，異常檢測的過程可以使週期性進行的，也可以是不間斷持續進行的，以及在進行週期性異常檢測的情況下，對不同指標的輪詢週期，可以相同，也可以不同。
S105：根據目標維度和目標類別，確定至少一個連動類別，至少一個連動類別下包括引起目標指標資料異常的指標。
可以理解的是，在根據檢測到存在異常的目標指標鎖定對應的目標維度和目標類別後，進一步根據目標維度和目標類別進行至少一個連動類別的獲取，該至少一個連動類別下包括能夠引起目標指標資料異常的指標，從而更加全面地找出相關的異常指標。
可選的，根據目標維度和目標類別，確定至少一個連動類別的步驟可以包括：
獲取與目標維度關聯的至少一個連動維度；
在至少一個連動維度下，獲取與目標類別關聯的至少一個連動類別。
可以理解的是，在本申請實施例中，可以維度與維度、類別與類別間的關聯關係進行至少一個連動類別的上卷、下探式查找，以更加全面地查找出相關的異常指標，可選的，維度與維度、類別與類別間的關聯關係可以記載在指標、類別和維度之間的對應關係中進行維護，也可以單獨建立並維護維度與維度、類別與類別間的關聯關係。
能夠理解的是，連動維度可以指與存在異常的目標指標資料對應的目標指標所屬的目標維度存在關聯關係的維度，連動類別可以指與存在異常的目標指標資料對應的目標指標所屬的目標類別存在關聯關係的類別，各連動類別從屬於相應的連動維度，以及各連動類別下的所有指標中存在能夠引起目標指標資料異常的指標，換言之，各連動類別下的各指標對應的各指標資料中存在能夠引起目標指標資料異常的指標資料。
在確定目標指標資料對應的目標異常參數和獲取到至少一個連動類別後，則可以據此進行商家風險防控，即執行如下步驟：
S107：根據目標異常參數和至少一個連動類別，進行商家風險防控。
可選的，該步驟S107可以包括：
在至少一個連動類別下，獲取存在異常的指標資料對應的第一指標集合；
根據目標異常參數、至少一個連動類別和第一指標集合，進行商家風險防控。
可以理解的是，根據與目標指標關聯的至少一個連動類別，可以對該至少一個連動類別下的指標對應的指標資料進行異常檢測，可選的，可以對指定時間段內的指標資料進行異常檢測，以提高與存在異常的目標指標資料間的關聯程度，提高第一指標集合中指標獲取的準確性和可靠性，以及可以採用上述檢測目標指標資料是否存在異常的檢測方案類似的方案對至少一個連動類別下的指標資料進行異常檢測，也就是說，根據時序異常檢測模型檢測至少一個連動類別下的指標對應的指標資料是否存在異常，並在檢測結果指示異常時，確定至少一個連動類別下的指標對應的指標資料存在異常，進而可以將存在異常的至少一個指標資料對應的至少一個指標形成第一指標集合，以與目標異常參數、至少一個連動類別一同用於商家風險防控。
可選的，根據目標異常參數、至少一個連動類別和第一指標集合，進行商家風險防控，可以具體包括以下步驟：
根據至少一個連動類別，確定造成目標指標資料出現異常的異常原因。
可以理解的是，在本申請案的實施例中，可以根據至少一個連動類別確定導致目標指標資料出現異常的原因，可選的，根據用戶的選擇將至少一個連動類別中用戶較為關注的連動類別確定為異常原因，可以包括以下步驟：
接收類別選擇指令；
在至少一個連動類別中，確定類別選擇指令對應的目標連動類別；
根據目標連動類別，確定異常原因。
當然，除了根據用戶的選擇外，還可以藉由其他方式根據至少一個連動類別確定異常原因，比如設置類別篩選規則，以根據該類別篩選規則自動在至少一個連動類別中篩選出符合規則要求的類別形成異常原因，等等。
進一步地，確定第一指標集合對應的第一參數集合，第一參數集合中各異常參數與第一指標集合中各指標的指標資料一一對應。
可以理解的是，對於至少一個連動類別下指標資料存在異常的指標，相應地能夠確定各指標資料的異常參數，因而能夠得到與第一指標集合對應的第一參數集合，其中，各異常參數的確定可以參照上述確定目標異常參數的實施例執行，在此不再贅述。
進一步地，根據目標異常參數、第一指標集合和第一參數集合，確定第二指標集合和第二參數集合，第二參數集合中各異常參數與第二指標集合中各指標的指標資料一一對應。
在本申請實施例中，可以根據目標異常參數將第一指標集合和第一參數集合轉換為第二指標集合和第二參數集合，以實現對商家風險防控的力度的合理控制，其中，第二指標集合包括第一指標集合中的至少一個指標，第二參數集合包括第一參數集合中的至少一個異常參數。
可選的，確定第二指標集合和第二參數集合的過程可以包括以下步驟：
確定目標異常參數與第一參數集合中的各異常參數間的差值；
在差值處於預設閾值範圍內的情況下，根據差值對應的異常參數構建第二參數集合；
根據第二參數集合中各異常參數對應的指標構建第二指標集合。
在該實施例中，可以將第一參數集合中指示的異常程度在目標指標資料對應的異常程度(即目標異常參數)以上的異常參數劃入第二參數集合，也就是當第一參數集合中的異常參數與目標異常參數的差距在一定指定的範圍內時，將該異常參數劃入第二參數集合，繼而將第二參數集合中各異常參數對應的第一指標集合中的指標劃歸為第二指標集合。
進一步則可以執行根據異常原因、第二指標集合和第二參數集合，進行商家風險防控的步驟，可選的，可以包括：
在第二指標集合中，獲取風險防控指標，風險防控指標與異常原因相匹配；
在第二參數集合中，獲取風險防控參數，風險防控參數與風險防控指標一一對應；
根據風險防控指標和風險防控參數，進行商家風險防控。
可以理解的是，在根據指標資料存在異常的指標所屬類別(即至少一個連動類別)的分佈情況確定異常原因後，可以在第二指標集合中獲取與該異常原因匹配的風險防控指標，以及在第二參數集合中獲取與該異常原因匹配的前述風險防控指標對應的風險防控參數，以進行更加合理的商家風險防控。
上述根據風險防控指標和風險防控參數，進行商家風險防控可以藉由以下具體實施例實現：
在具體實施例一中，進行商家風險防控的方案可以包括：
在風險防控參數大於異常參數閾值的情況下，獲取與風險防控指標對應的風險防控策略；
根據風險防控策略進行商家風險防控。
可以理解的是，當根據第二參數集合中的異常參數和異常原因得到的風險防控參數的值大於異常參數閾值時，說明指標的異常程度已經足夠大，此時，可以採用直接部署相應風險防控策略的方式及時進行商家風險防控，即在及時檢測到指標異常情況的同時，提高商家風險防控的時效性。
可選的，風險防控策略包括對商家進行罰款、返還欺詐所得利益、責令停業整頓、責令完善運營資質等等，以禁止商家進行任何導致風險的行為。
在具體實施例二中，可以藉由進行商家風險識別模型訓練的方式，以根據最新的指標異常情況更新商家風險識別模型，在及時檢測到指標異常情況的同時，提高商家風險防控的時效性。
可選的，在進行商家風險防控前，在本申請案的實施例中，還需要執行獲取歷史風險指標及對應的歷史異常參數的步驟，進而將歷史風險指標與當前的風險防控指標進行比對，以根據不同的比對結果執行相應的商家風險防控方案，避免出現漏掉歷史風險的情況，以實現覆蓋範圍更加全面的商家風險防控。
可選的，根據風險防控指標和風險防控參數，進行商家風險防控的方案可以包括以下兩個方面：
第一方面，在風險防控指標與歷史風險指標相比存在遺漏指標的情況下，根據第一訓練樣本，對初始模型進行訓練，得到第一商家風險識別模型；
其中，遺漏指標包含在歷史風險指標中，第一訓練樣本包括風險防控指標、風險防控參數、遺漏指標及遺漏指標對應的遺漏異常參數。
可以理解的是，在根據當前的指標異常情況確定的風險防控指標相較於歷史風險指標，存在待防控的指標覆蓋範圍不全的情況時，為了商家風險識別的時效性，即涵蓋可能出現的新風險，也確保在風險識別時不會漏掉已經確認的歷史風險指標，則可以考慮根據最新的風險防控指標及其對應風險防控參數、遺漏指標及其對應的遺漏異常參數作為第一商家風險識別模型的訓練樣本，以使根據此訓練出的最新的第一商家風險識別模型能夠識別歷史的和最新的商家風險，時效性好。
可選的，上述初始模型可以為採用孤立森林iForest演算法或符號回歸(Symbolic Regression)演算法構建的未經訓練的原始模型，也可以為根據歷史風險指標等資料訓練好的正在使用的商家風險識別模型。
可選的，根據第一訓練樣本，對初始模型進行訓練得到第一商家風險識別模型的過程，可以包括：
根據風險防控參數和遺漏異常參數，確定風險識別閾值；
根據風險防控指標和遺漏指標，生成初始模型的輸入向量；
將輸入向量輸入初始模型，得到初始模型的輸出；
根據初始模型的輸出與風險識別閾值之間的差距，調整初始模型的參數；
重複以上步驟，直至差距滿足預設條件，得到第一商家風險識別模型。
可以理解的是，考慮到風險防控參數和遺漏異常參數反映相應的指標資料的異常程度，則可以根據此確定風險識別閾值，以使風險識別標準可靠而準確。
進一步地，部署第一商家風險識別模型以用於商家風險識別，並輸出風險識別結果；
獲取與風險識別結果對應的風險防控策略，以根據風險防控策略進行風險防控。
可以理解的是，在當前的風險防控指標與歷史風險指標相比存在遺漏指標的情況下，進行商家風險識別模型訓練時，需要將遺漏的部分歷史指標及其對應的異常參數考慮在內。
需要說明的是，根據上述訓練樣本，可以確定模型訓練時的訓練集和驗證集。可選的，訓練集和驗證集的樣本數量可以靈活調配，例如，70%的訓練樣本作為訓練集，用於訓練商家風險識別模型，而剩餘30%的訓練樣本作為驗證集，驗證商家風險識別模型的輸出是否滿足要求，以實現模型效果評估。可選的，風險防控策略包括對商家進行罰款、返還欺詐所得利益、責令停業整頓、責令完善運營資質等等，以禁止商家進行任何導致風險的行為。
第二方面，在風險防控指標與歷史風險指標相比不存在遺漏指標的情況下，根據第二訓練樣本，對初始模型進行訓練，得到第二商家風險識別模型；
其中，遺漏指標包含在歷史風險指標中，第二訓練樣本包括第二風險防控指標和第二風險防控參數。
可以理解的是，在根據當前的指標異常情況確定的風險防控指標相較於歷史風險指標，不存在待防控的指標覆蓋範圍不全的情況時，可以考慮根據最新的且全面的風險防控指標及其對應風險防控參數作為第二商家風險識別模型的訓練樣本，以使根據此訓練出的最新的第二商家風險識別模型能夠識別歷史的和最新的商家風險，時效性好。
可選的，上述初始模型可以為採用孤立森林iForest演算法或符號回歸(Symbolic Regression)演算法構建的未經訓練的原始模型，也可以是根據歷史風險指標等資料訓練好的正在使用的商家風險識別模型。
可選的，根據第二訓練樣本，對初始模型進行訓練得到第二商家風險識別模型的過程，可以包括：
根據風險防控參數，確定風險識別閾值；
根據風險防控指標，生成初始模型的輸入向量；
將輸入向量輸入初始模型，得到初始模型的輸出；
根據初始模型的輸出與風險識別閾值之間的差距，調整初始模型的參數；
重複以上步驟，直至差距滿足預設條件，得到第二商家風險識別模型。
需要說明的是，根據上述第二訓練樣本，可以確定模型訓練時的訓練集和驗證集。可選的，訓練集和驗證集的樣本數量可以靈活調配，例如，70%的訓練樣本作為訓練集，用於訓練第二商家風險識別模型，而剩餘30%的訓練樣本作為驗證集，驗證第二商家風險識別模型的輸出是否滿足要求，以實現模型效果評估。
進一步地，部署第二商家風險識別模型以用於商家風險識別，並輸出風險識別結果；
獲取與風險識別結果對應的風險防控策略，以根據風險防控策略進行風險防控。
可以理解的是，在當前的風險防控指標與歷史風險指標相比不存在遺漏指標的情況下，進行商家風險識別模型訓練時，可以直接根據風險防控指標及其對應的風險防控參數執行。
可選的，風險防控策略包括對商家進行罰款、返還欺詐所得利益、責令停業整頓、責令完善運營資質等等，以禁止商家進行任何導致風險的行為。
綜上，在本申請案的實施例中，從不同的維度全面設置用於商家風險防控的指標，並將指標進行分類得到相應的類別，建立指標、類別和維度之間的對應關係，以在檢測到指標資料存在異常的目標指標時，根據該對應關係，獲取引起目標指標資料異常的指標所屬的所有連動類別，進而根據獲取到的連動類別和表徵目標指標資料異常程度的目標異常參數進行商家風險防控。因此，通過對商家風險防控相關的指標進行異常檢測，並每當檢測到指標資料存在異常的指標時，根據指標異常情況及時進行商家風險防控，實現商家風險確認前的風險提前識別，提高商家風險防控的時效性。
本申請實施例所述的商家風險防控方法，還可以通過如圖2所示的資訊流進行展示。
(1)異動感知(即異常檢測)，即監控哪裡出現異動。
可以藉由合理的維度劃分和指標設計，比如根據簽約資訊、商家類型、支付機構等劃分維度，以及在商家開戶、交易、運營等環節分別設計指標，並進行指標分類，並隨著時間推移，檢測各個維度或特定維度上指標的時序變化，根據檢測到的時序實際值與時序預測值之間的差值來判斷指標是否出現異動，如果出現異動，則輸出目標異動指標所屬的目標異動類別、目標異動維度及目標異動指標對應的目標異動程度(即目標異常參數)。
其中，可以藉由如下方式計算指標的異動程度：
異動程度=(時序實際值-時序預測值)/時序預測值。
(2)異動下探與上卷，即尋找異動原因與相關的異動指標。
根據上述輸出的目標異動類別、目標異動維度進行下探和/或上卷關聯類別、關聯維度下的明細指標資料，根據上述輸出的目標異動程度，確定合適的防控力度，異動程度越大需要的防控措施越嚴格，以對關聯類別、關聯維度下的明細指標資料進行篩選，找出所有相關的異動指標，並根據與上述相同的方式得到指標的異常程度，同時，根據各異動指標所屬類別的分佈情況可以確定異動原因(即異常原因)，以輸出異動原因、與該異動原因匹配的異動指標列表及對應的指標異動程度。
可選的，在輸出指標列表及對應的異動程度時，可以考慮已識別出的歷史風險指標及其異動程度，以避免漏過風險。
(3)異動回應
根據上述輸出的異動指標列表及對應的指標異動程度，以及採用孤立森林iForest演算法、符號回歸演算法等快速建立模型，並在上述異動明細資料基礎上進行模型評估，得到模型的預估效果，輸出風險識別模型，並推薦風險防控策略。
(4)風險防控
將上述風險識別模型輸出到風險防控平台進行模型部署，實現對模型真實結果的評估，並可以結合結果匹配風險防控策略，以快速防控新風險。
舉例來說，以城市維度為主維度對商家進行異動感知或異常檢測，當感知到城市A的指標B對應的資料上漲異常，與正常的時序預測值相比連續多天出現異動，且平均異動程度達到一定值時，輸出該指標B所屬的指標類別C，指標B的資料對應的平均異動程度以及城市維度A。
進一步地，根據指標、類別和維度之間預先建立的關係，查找確定與城市維度A關聯的其他城市維度、旗縣維度、城鎮維度等，比如在城市A被異動感知到商家在地域存在連鎖機構、分支機搆或服務商等等，以及查找確定與類別C關聯的其他類別，比如在其他地域下該商家對應的相應類別等等，則可以藉由對確定的各類別下指標的指標資料進行異動感知挖掘，找出所有相關異動指標，並根據確定的類別即相關異動指標的分佈情況分析確定異動原因，進而依據與異動原因匹配的指標及對應的異動程度等進行模型訓練組建、模型評估以及防控策略推薦等，實現商家風險防控。
從整個過程來看，藉由異動感知可以快速及時的發掘異常，並且藉由異動下探與上卷的方式能夠快速定位原因，輸出有效的異動指標，進行模型訓練和風險防控，保證了防控的時效性，另外風險的轉移會引起其他指標的異動，可以動態捕捉風險，增強了動態對抗性，可見整個系統不關注具體風險，只關注異動，任何形勢的風險只要引起異動就能被及時檢測和防控，具體很好的通用性。
可見，本申請案的實施例的商家風險防控方法具有以下優點：
(1)時效性更好：根據即時風險指標計算和監控可以更加及時地發現和定位風險；
(2)動態對抗性更強：商家風險的轉移和變異都可以被及時發現，並且可以進行策略和模型的快速組裝，完成新風險的防控；
(3)通用性更好：該發明不針對任何商家具象風險，通過全面的指標設計，可以檢測不同風險帶來的商家異常。
參見圖3所示，本申請案的實施例還提供了一種商家風險防控裝置，該裝置可包括：
第一確定模組301，用於在檢測到商家的目標指標資料異常的情況下，確定目標指標資料對應的目標異常參數；
獲取模組303，用於根據指標、類別和維度之間的對應關係，獲取目標指標資料對應的目標指標所屬的目標類別，及目標類別所屬的目標維度；
第二確定模組305，用於根據目標維度和目標類別，確定至少一個連動類別，至少一個連動類別下包括引起目標指標資料異常的指標；
處理模組307，用於根據目標異常參數和至少一個連動類別，進行商家風險防控。
能夠理解的是，圖3給出的商家風險防控裝置能夠實現圖1中所述的商家風險防控方法的各個步驟，前述實施例中關於商家風險防控方法的相關闡述均適用於商家風險防控裝置，此處不再贅述。
圖4是本申請的一個實施例電子設備的結構示意圖。請參考圖4，在硬體層面，該電子設備包括處理器，可選地還包括內部匯流排、網路介面、記憶體。其中，記憶體可能包含記憶體，例如高速隨機存取記憶體(Random-Access Memory，RAM)，也可能還包括非揮發性記憶體(non-volatile memory)，例如至少1個磁碟記憶體等。當然，該電子設備還可能包括其他業務所需要的硬體。
處理器、網路介面和記憶體可以透過內部匯流排相互連接，該內部匯流排可以是ISA(Industry Standard Architecture，工業標準架構)匯流排、PCI(Peripheral Component Interconnect，周邊部件互連標準)匯流排或EISA(Extended Industry Standard Architecture，延伸工業標準架構)匯流排等。所述匯流排可以分為位址匯流排、資料匯流排、控制匯流排等。為便於表示，圖4中僅用一個雙向箭頭表示，但並不表示僅有一根匯流排或一種類型的匯流排。
記憶體，用於存放程式。具體地，程式可以包括程式碼，所述程式碼包括電腦操作指令。記憶體可以包括記憶體和非揮發性記憶體，並向處理器提供指令和資料。
處理器從非揮發性記憶體中讀取對應的電腦程式到記憶體中然後運行，在邏輯層面上形成商家風險防控裝置。處理器，執行記憶體所存放的程式，並具體用於執行以下操作：
在檢測到商家的目標指標資料異常的情況下，確定目標指標資料對應的目標異常參數；
根據指標、類別和維度之間的對應關係，獲取目標指標資料對應的目標指標所屬的目標類別，及目標類別所屬的目標維度；
根據目標維度和目標類別，確定至少一個連動類別，至少一個連動類別下包括引起目標指標資料異常的指標；
根據目標異常參數和至少一個連動類別，進行商家風險防控。
上述如本申請前述對應實施例揭示的商家風險防控裝置執行的方法可以應用於處理器中，或者由處理器實現。處理器可能是一種積體電路晶片，具有訊號的處理能力。在實現過程中，上述方法的各步驟可以藉由處理器中的硬體的積體邏輯電路或者軟體形式的指令完成。上述的處理器可以是通用處理器，包括中央處理器(Central Processing Unit，CPU)、網路處理器(Network Processor，NP)等；還可以是數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現場可程式閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯元件、分立門或者電晶體邏輯元件、分立硬體元件。可以實現或者執行本申請案的實施例中的公開的各方法、步驟及邏輯方塊圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現為硬體解碼處理器執行完成，或者用解碼處理器中的硬體及軟體模組組合執行完成。軟體模組可以位於隨機記憶體，快閃記憶體、唯讀記憶體，可程式唯讀記憶體或者電可讀寫可程式記憶體、暫存器等本領域成熟的儲存媒介中。該儲存媒介位於記憶體，處理器讀取記憶體中的資訊，結合其硬體完成上述方法的步驟。
該電子設備還可執行前述對應商家風險防控裝置執行的方法，並實現商家風險防控裝置在前述對應實施例中的功能，本申請案的實施例在此不再贅述。
本申請案的實施例還提出了一種電腦可讀儲存媒介，該電腦可讀儲存媒介儲存一個或多個程式，該一個或多個程式包括指令，該指令當被包括多個應用程式的電子設備執行時，能夠使該電子設備執行圖1所示實施例中商家風險防控裝置執行的方法，並具體用於執行：
在檢測到商家的目標指標資料異常的情況下，確定目標指標資料對應的目標異常參數；
根據指標、類別和維度之間的對應關係，獲取目標指標資料對應的目標指標所屬的目標類別，及目標類別所屬的目標維度；
根據目標維度和目標類別，確定至少一個連動類別，至少一個連動類別下包括引起目標指標資料異常的指標；
根據目標異常參數和至少一個連動類別，進行商家風險防控。
本領域內的技術人員應明白的是，本發明的實施例可提供為方法、系統、或電腦程式產品。因此，本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒介(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式設計資料處理設備的處理器以產生一個機器，使得通過電腦或其他可程式設計資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方框中指定的功能的裝置。
這些電腦程式指令也可存儲在能引導電腦或其他可程式設計資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方塊或多個方快中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式設計資料處理設備上，使得在電腦或其他可程式設計設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設計設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方快圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒介中的非永久性記憶體，隨機存取記憶體(RAM)和/或非揮發性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒介的示例。
電腦可讀媒介包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒介的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可程式設計唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學存儲、磁盒式磁帶，磁帶磁磁片存儲或其他磁性存放裝置或任何其他非傳輸媒介，可用於存儲可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀介質不包括暫存電腦可讀媒體(transitory media)，如調製的資料信號和載波。
還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白的是，本申請案的實施例可提供為方法、系統或電腦程式產品。因此，本申請案可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本申請案可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒介(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
以上所述僅為本申請案的實施例而已，並不用於限制本申請案。對於本領域技術人員來說，本申請案可以有各種更改和變化。凡在本申請案的精神和原理之內所作的任何修改、等效替換、改進等，均應包含在本申請案的申請專利範圍的範圍之內。
301:第一確定模組
303:獲取模組
305:第二確定模組
307:處理模組
此處所說明的附圖用來提供對本申請的進一步理解，構成本申請案的一部分，本申請案的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定。在附圖中：
[圖1]為本申請案的實施例中提供的商家風險防控方法的流程示意圖；
[圖2]為本申請案的實施例中提供的商家風險防控資訊流向示意圖；
[圖3]為本申請案的實施例中提供的商家風險防控裝置的結構示意圖；
[圖4]為本申請案的實施例中提供的電子設備的結構示意圖。
