TWI734920B - 用於交易風險實時偵測的方法和裝置 - Google Patents

用於交易風險實時偵測的方法和裝置 Download PDF

Info

Publication number
TWI734920B
TWI734920B TW107124221A TW107124221A TWI734920B TW I734920 B TWI734920 B TW I734920B TW 107124221 A TW107124221 A TW 107124221A TW 107124221 A TW107124221 A TW 107124221A TW I734920 B TWI734920 B TW I734920B
Authority
TW
Taiwan
Prior art keywords
transaction
historical
single account
model
sequence
Prior art date
Application number
TW107124221A
Other languages
English (en)
Other versions
TW201909047A (zh
Inventor
李旭瑞
邱雪濤
趙金濤
胡奕
Original Assignee
大陸商中國銀聯股份有限公司
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 大陸商中國銀聯股份有限公司 filed Critical 大陸商中國銀聯股份有限公司
Publication of TW201909047A publication Critical patent/TW201909047A/zh
Application granted granted Critical
Publication of TWI734920B publication Critical patent/TWI734920B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本發明涉及在線支付技術，特別涉及在線交易過程中實時偵測交易風險的方法、實施該方法的服務器和客戶端以及包含實施該方法的計算機程序的計算機可讀存儲介質。按照本發明一個方面的用於交易風險實時偵測的方法包含下列步驟：基於與單個賬戶相關聯的歷史交易建立對應於該單個賬戶的歷史交易模型；以及向客戶端提供歷史交易模型以供其對該單個賬戶的當前交易的風險進行判斷。

Description

用於交易風險實時偵測的方法和裝置
本發明涉及在線支付技術，特別涉及在線交易過程中實時偵測交易風險的方法、實施該方法的服務器和客戶端以及包含實施該方法的計算機程序的計算機可讀存儲介質。
在線支付由於其便捷性和與日常生活的緊密相關性而受到消費者的青睞，並已經成為主流的交易支付方式。然而，在線支付也導致了更多的交易欺詐風險。目前業界主要採用基於規則的方法和基於分類模型的方法來應對在線支付的交易欺詐風險。 　　但上述兩種方法都存在明顯的不足之處。例如，基於規則的方法依賴于專家經驗，主觀因素較強，而且風險判斷的準確性與專家的能力水平密切相關。分類模型主要是通過對大量賬戶的交易特徵進行統計分析而得到的，與專家制訂的規則相比具有更好的客觀性，但是分類模型本質上是一種統計模型，對於不同用戶之間的差異性(在很多情況下，這種差異是明顯的和不可忽視的)則顯得無能為力。此外，當同時發生很多筆交易時，如果這些交易都需要實時處理，則將使系統承受巨大的處理壓力，並導致處理速度的降低。 　　由上可見，迫切需要提供一種能夠克服上述各種缺點的防範交易風險的方法和裝置。
本發明的一個目的是提供一種用於實時偵測交易風險的方法，其具有計算速度快、識別準確度高等優點。 　　按照本發明一個方面的用於交易風險實時偵測的方法包含下列步驟： 　　基於與單個賬戶相關聯的歷史交易建立對應於該單個賬戶的歷史交易模型；以及 　　向客戶端提供歷史交易模型以供其對該單個賬戶的當前交易的風險進行判斷。 　　優選地，在上述方法中，建立對應於單個賬戶的歷史交易模型的步驟在雲端完成。 　　優選地，在上述方法中，進一步包括下列步驟： 　　利用單個賬戶新增的歷史交易記錄對歷史交易模型進行定期或不定期地更新。 　　優選地，在上述方法中，所述歷史交易模型為隱馬爾可夫模型，建立歷史交易模型的步驟包括： 　　生成表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列作為隱馬爾可夫模型的觀察狀態集合；以及 　　利用第一交易序列來訓練該隱馬爾可夫模型以建立該單個賬戶的歷史交易模型。 　　優選地，在上述方法中，生成第一交易序列的步驟包括： 　　生成單個賬戶的每筆歷史交易的交易特徵向量以得到多個交易特徵向量； 　　對所得到的多個交易特徵向量進行聚類處理以得到一個或多個交易特徵類別，其中每個所述交易特徵類別對應於一個可觀察行為狀態；以及 　　根據各自的交易特徵向量確定每筆歷史交易所屬的交易特徵類別從而得到該單個賬戶的第一交易序列。 　　優選地，在上述方法中，按照下列方式確定所屬的交易特徵類別： 　　計算單個賬戶的每筆歷史交易的交易特徵向量與每個交易特徵類別的相似性；以及 　　將對應於最大相似性的交易特徵類別確定為該筆歷史交易的交易特徵向量所屬的交易特徵類別。 　　優選地，在上述方法中，利用第一交易序列來訓練隱馬爾可夫模型包括下列步驟： 　　設定對應於單個賬戶的隱馬爾可夫模型的隱藏狀態的數量； 　　設定該隱馬爾可夫模型的參數的初始值，其中，所述參數包括隱藏狀態間的轉移概率矩陣、隱藏狀態到觀察狀態的概率矩陣和隱藏狀態的初始概率分佈； 　　對於該單個賬戶的第一交易序列，基於使第一交易序列的出現概率最大的優化目標來確定所述參數的優化值，由此建立對應於該單個賬戶的歷史交易模型。 　　優選地，在上述方法中，隱藏狀態間的轉移概率矩陣和隱藏狀態的初始概率分佈的初始值設定為等概率值，隱藏狀態到觀察狀態的概率矩陣的初始值根據交易特徵類別的分佈確定。 　　優選地，在上述方法中，採用非關係型數據庫來保存對應於單個賬戶的歷史交易模型。 　　按照本發明另一個方面的用於偵測交易風險的方法包含下列步驟： 　　客戶端從雲端獲取對應於單個賬戶的歷史交易模型，該歷史交易模型基於與該單個賬戶相關聯的歷史交易而建立； 　　客戶端利用歷史交易模型對該單個賬戶的當前交易的風險進行判斷；以及 　　輸出當前交易的風險的判斷結果。 　　優選地，在上述方法中，所述歷史交易模型為隱馬爾可夫模型，該隱馬爾可夫模型的觀察狀態集合為表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列，利用第一交易序列來訓練該隱馬爾可夫模型以建立該單個賬戶的歷史交易模型。 　　優選地，在上述方法中，歷史交易的可觀察行為狀態按照下列方式確定： 　　生成單個賬戶的每筆歷史交易的交易特徵向量以得到多個交易特徵向量； 　　對所得到的多個交易特徵向量進行聚類處理以得到一個或多個交易特徵類別，其中每個所述交易特徵類別對應於一個可觀察行為狀態；以及 　　根據各自的交易特徵向量確定每筆歷史交易所屬的交易特徵類別。 　　優選地，在上述方法中，利用所述歷史交易模型對單個賬戶的當前交易的風險進行判斷包括下列步驟： 　　確定當前交易的交易特徵向量所屬的交易特徵類別； 　　通過以當前交易的交易特徵向量所屬的交易特徵類別替換該單個賬戶的第一交易序列中的歷史交易的交易特徵向量所屬的交易特徵類別而生成第二交易序列； 　　確定第二交易序列的出現概率；以及 　　通過將第二交易序列的出現概率與第一交易序列的出現概率進行比較來對該單個賬戶的當前交易的風險進行判斷。 　　優選地，在上述方法中，第一交易序列中被替換的歷史交易對應於第一交易序列中交易時間最早的歷史交易。 　　優選地，在上述方法中，按照下列方式確定所屬的交易特徵類別： 　　計算單個賬戶的當前交易的交易特徵向量與每個交易特徵類別的相似性；以及 　　將對應於最大相似性的交易特徵類別確定為當前交易的交易特徵向量所屬的交易特徵類別。 　　優選地，在上述方法中，所述相似性以下列指標中的一種來表徵：當前交易的交易特徵向量與每個交易特徵類別中心向量之間的歐氏距離、當前交易的交易特徵向量與每個交易特徵類別中心向量之間的余弦距離以及當前交易的交易特徵向量與每個交易特徵類別的傑卡德相似度。 　　優選地，在上述方法中，由客戶端確定當前交易所屬的交易特徵類別，並且每個交易特徵類別以及相應的中心向量以關係數據表的形式保存在客戶端。 　　本發明的還有一個目的是提供一種用於偵測交易風險的服務器，其具有識別準確度高等優點。 　　按照本發明另一個方面的服務器包含存儲器、處理器以及存儲在所述存儲器上並可在所述處理器上運行的計算機程序以執行如上所述的方法。 　　本發明的還有一個目的是提供一種用於偵測交易風險的客戶端，其具有識別準確度高等優點。 　　按照本發明另一個方面的客戶端包含存儲器、處理器以及存儲在所述存儲器上並可在所述處理器上運行的計算機程序以執行如上所述的方法。 　　本發明的還有一個目的是提供一種計算機可讀存儲介質，其上存儲計算機程序，該程序被處理器執行時實現如上所述的方法。
下面參照其中圖示了本發明示意性實施例的附圖更為全面地說明本發明。但本發明可以按不同形式來實現，而不應解讀為僅限於本文給出的各實施例。給出的上述各實施例旨在使本文的披露全面完整，以將本發明的保護範圍更為全面地傳達給本領域技術人員。 　　在本說明書中，諸如“包含”和“包括”之類的用語表示除了具有在說明書和權利要求書中有直接和明確表述的單元和步驟以外，本發明的技術方案也不排除具有未被直接或明確表述的其它單元和步驟的情形。 　　按照本發明的一個方面，基於與單個賬戶相關聯的歷史交易建立對應於該賬戶的歷史交易模型，並且在在線支付過程中，利用所建立的歷史交易模型來判斷該賬戶的當前交易是否存在風險。也就是說，每個賬戶都可擁有為其專門定制的歷史交易模型或分類模型，使得能夠完美刻畫該賬戶的交易特徵，這有效提高了風險判斷的準確性。優選地，可以利用賬戶新增的歷史交易記錄來定期或不定期地更新相應的歷史交易模型，進一步提高判斷的準確性。 　　按照本發明的另一個方面，上述歷史交易模型為隱馬爾可夫模型，其中，該隱馬爾可夫模型的觀察狀態集合為表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列，並且利用第一交易序列來訓練該隱馬爾可夫模型以建立該賬戶的歷史交易模型。 　　一個隱馬爾可夫模型通常可由一個五元組(Q, O, A, B,π)來描述，其中，Q為隱藏狀態集合，O為觀察狀態集合，A為隱藏狀態間的轉移概率矩陣，B為隱藏狀態到觀察狀態的概率矩陣，π為隱藏狀態的初始概率分佈。按照本發明的還有一個方面，當利用隱馬爾可夫模型來表徵賬戶的歷史交易特性時，隱藏狀態對應于交易行為狀態，觀察狀態對應於每筆交易的可觀察的交易行為狀態。 　　按照本發明的還有一個方面，歷史交易模型的建立在雲端完成，而基於歷史交易模型所作的交易風險判斷則在客戶端完成。這種方式既可以發揮雲端強大的計算能力，又能夠減輕大規模併發交易時後臺系統的運行壓力，從而確保提供快速的實時風險偵測能力。 　　圖1為按照本發明一個實施例的用於交易風險實時偵測的方法的流程圖。優選地但非必須地，圖1所示的方法可在雲端服務器或後臺交易處理系統處執行。 　　圖1所示的方法的流程開始於步驟110。在該步驟中，生成表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列，該第一交易序列可作為隱馬爾可夫模型的觀察狀態集合。 　　隨後進入步驟120，利用步驟110生成的第一交易序列來訓練該隱馬爾可夫模型，從而建立對應於該單個賬戶的歷史交易模型。 　　接著進入步驟130，向客戶端提供歷史交易模型以供其對該單個賬戶的當前交易的風險進行判斷。優選地，可採用非關係型數據庫來保存對應於每個賬戶的歷史交易模型。 　　可選地，本實施例的方法流程還包含步驟140。在該步驟中，利用單個賬戶新增的歷史交易記錄對其歷史交易模型進行定期或不定期地更新。 　　圖2為可應用於圖1所示實施例的第一交易序列生成方法的流程圖。優選地但非必須地，圖2所示的方法可在雲端服務器或後臺交易處理系統處執行。 　　如圖2所示，在步驟210，生成單個賬戶的每筆歷史交易的交易特徵向量以得到多個交易特徵向量。在本實施例中，交易特徵向量指的是由一個賬戶的一個或多個可觀察的交易特徵構成的向量。可觀察的交易特徵的例子包括但不限於交易金額、交易地點、交易時間和消費類型等。需要指出的是，在本實施例中，不同賬戶的交易特徵向量的結構(向量維數和分量的類型)可以相同，也可以不同。 　　優選地，對於具有連續性取值的交易特徵，可以將其映射為離散化的數值。 　　需要指出的是，每筆交易中的多個交易特徵對於交易風險的分析都是有用的，但是基本的隱馬爾可夫模型無法處理多於一個標記的特徵。針對這種情況，在本實施例中將每筆交易的多個可觀察的交易特徵映射為單個交易特徵標記或交易特徵類別(以下將這種映射操作又稱為對交易特徵向量的聚類化處理)。經過聚類化處理得到的交易特徵類別的每一個對應於隱馬爾可夫模型的其中一個可觀察行為狀態。 　　為聚類化處理的目的，圖2所示的流程進入步驟220，對單個賬戶的多個交易特徵向量進行聚類化處理，從而得到一個或多個交易特徵類別，其中，每個類別代表一組具有相似模式的交易行為。以下將交易特徵類別的集合記為{C1 ,C2 …Ck }，其中k為類別的數量，每個類別都具有相應的類別中心。優選地，在本實施例中可以採用K-means算法對交易特徵向量進行聚類化處理。 　　優選地，聚類處理所得到的交易特徵類別及其對應的類別中心的坐標可以關系型數據表的形式存儲。由於數據表佔據的存儲空間較小，因此其可以在用戶安裝或更新應用程序時下載到相應的客戶端。 　　隨後進入步驟230，將單個賬戶的每個交易特徵向量都映射至相應的交易特徵類別，由此得到該賬戶的第一交易序列。 　　優選地，可以按照下列方式將一個交易特徵向量映射至相應的交易特徵類別：首先計算該交易特徵向量與每個交易特徵類別的相似性，然後將對應於最大相似性的交易特徵類別確定為該交易特徵向量所屬的交易特徵類別。更好地，相似性以下列指標中的一種來表徵：交易特徵向量與每個交易特徵類別中心向量之間的歐氏距離、交易特徵向量與每個交易特徵類別中心向量之間的余弦距離以及交易特徵向量與每個交易特徵類別的傑卡德相似度。 　　圖3為可應用於圖1所示實施例的隱馬爾可夫模型訓練方法的流程圖。在圖3所示的實施例中，利用前述第一交易序列來訓練隱馬爾可夫模型。優選地但非必須地，圖3所示的方法可在雲端服務器或後臺交易處理系統處執行。 　　圖3所示的流程開始於步驟310。在該步驟中，設定對應於單個賬戶的隱馬爾可夫模型的隱藏狀態的數量。假設隱藏狀態為S個。 　　隨後進入步驟320，設定隱馬爾可夫模型的參數的初始值。在本實施例中，參數包括隱藏狀態間的轉移概率矩陣A、隱藏狀態到觀察狀態的概率矩陣B和隱藏狀態的初始概率分佈π。 　　優選地，隱藏狀態間的轉移概率矩陣和隱藏狀態的初始概率分佈的初始值設定為等概率值，即，將每個隱藏狀態的初始概率都設定為1/S，從一個隱藏狀態轉移到另一個隱藏狀態的概率也為1/S(包括隱藏狀態轉移到其自身的情形)。 　　優選地，對於隱藏狀態到觀察狀態的概率矩陣B的初始值，其可根據交易特徵類別的分佈來確定。具體而言，對於單個賬戶，可將每個交易特徵類別所對應的交易次數占總交易次數的比例設定為每個隱藏狀態到該交易特徵類別所對應的觀察狀態的概率。 　　需要指出的是，隱藏狀態的數量的設定值以及上述參數的初始值僅影響模型訓練的效率，但不影響模型訓練的有效性。 　　接著進入步驟330，在該步驟中，利用每個賬戶的第一交易序列，基於使第一交易序列的出現概率最大的優化目標對參數A、B和π進行優化，由此建立對應於該賬戶的歷史交易模型。 　　優選地，可以採用Baum-Welch算法來優化參數λ(A, B, π)。具體而言，可通過依次執行下列步驟對上述隱馬爾可夫模型進行訓練。 　　步驟a：對於給定的觀察序列或第一交易序列
Figure 02_image001
，根據當前的參數l，利用下式(1)和(2)計算向前變量
Figure 02_image003
和向後變量
Figure 02_image005
:
Figure 02_image007
(1)
Figure 02_image009
(2) 　　步驟b：利用下式(3)計算當序列t位於狀態
Figure 02_image011
並且序列t+1位於狀態
Figure 02_image013
時的概率
Figure 02_image015
：
Figure 02_image017
(3) 　　步驟c：利用下式(4)計算當序列t位於狀態
Figure 02_image011
時的概率
Figure 02_image019
：
Figure 02_image021
(4) 　　步驟d：利用下式(5)重新估計初始狀態(t=1時刻隱藏狀態
Figure 02_image011
的概率)：
Figure 02_image023
(5) 　　步驟e：利用下式(6)重新估計轉移概率矩陣
Figure 02_image025
：
Figure 02_image027
(6) 　　步驟f：重新估計輸出概率矩陣，其中，
Figure 02_image029
為Q從狀態
Figure 02_image013
發出觀察狀態
Figure 02_image031
的期望與Q到達狀態
Figure 02_image013
的期望的比值：
Figure 02_image033
(7) 其中
Figure 02_image035
重複執行上述步驟a-f直到
Figure 02_image037
、
Figure 02_image039
、
Figure 02_image041
收斂，從而得到優化參數
Figure 02_image043
，即，完成隱馬爾可夫模型的訓練。 　　由於每個賬戶所對應的參數中的矩陣A、B和π在格式上都不是固定的，需要在訓練階段作調整優化，因此在本實施例中，優選地可採用諸如MongoDB和Hbase之類的非關係型數據庫來存儲上述優化參數
Figure 02_image043
。 　　為了節省存儲空間，對於每個賬戶，僅存儲最近發生的R筆交易所對應的交易特徵類別作為第一交易序列或觀察序列。也就是說，每個賬戶的第一交易序列被設計為一個空間為R的循環隊列。R的取值可以根據實際應用場合進行調整。雲端服務器或後臺交易處理系統可以週期性地對存儲各個賬戶的第一交易序列的數據庫執行更新操作，其中，每次僅對最近有交易記錄變化的賬戶的第一交易序列進行更新。優選地，可以為每筆交易記錄所對應的交易特徵類別附接時間戳以指示更新時間。雲端服務器在執行更新操作時，將刪除時間戳大於時長參數Pe的賬戶記錄，這不僅可以避免數據庫存儲空間的不足，還可以使得賬戶的歷史交易模型更多地反映近期交易行為。 　　圖4為按照本發明另一個實施例的用於交易風險實時偵測的方法的流程圖。優選地但非必須地，圖4所示的方法可在客戶端處執行。 　　圖4所示的方法的流程開始於步驟410。在該步驟中，客戶端從雲端獲取對應於單個賬戶的歷史交易模型。有關歷史交易模型的建立方式已經在上面借助圖1-3作了充分的描述，此處不再贅述。 　　隨後進入步驟420，客戶端利用步驟410獲取的歷史交易模型對該單個賬戶的當前交易的風險進行判斷。 　　最後在步驟430，客戶端向雲端服務器或後臺交易處理系統輸出當前交易的風險的判斷結果。可選地，客戶端還可在其顯示界面上呈現判斷結果。 　　圖5為可應用於圖4所示實施例的基於隱馬爾可夫模型的交易風險判斷方法的流程圖。優選地但非必須地，圖5所示的方法可在客戶端處執行。 　　圖5所示的流程開始於步驟510。在該步驟中，確定一個賬戶的當前交易的交易特徵向量所屬的交易特徵類別。優選地，可以按照下列方式確定相應的交易特徵類別：首先計算當前交易的交易特徵向量與每個交易特徵類別的相似性，然後將對應於最大相似性的交易特徵類別確定為該交易特徵向量所屬的交易特徵類別。更好地，相似性以下列指標中的一種來表徵：交易特徵向量與每個交易特徵類別中心向量之間的歐氏距離、交易特徵向量與每個交易特徵類別中心向量之間的余弦距離以及交易特徵向量與每個交易特徵類別的傑卡德相似度。 　　隨後進入步驟520，通過以當前交易的交易特徵類別所屬的交易特徵類別替換該賬戶的第一交易序列中的歷史交易所屬的交易特徵類別而生成第二交易序列。以下將第一交易序列記為
Figure 02_image045
序列中的各個元素按照時間先後順序排列。 　　在本實施例中，優選地，第一交易序列中被替換的歷史交易對應於第一交易序列中交易時間最早的歷史交易。因此第二交易序列可記為
Figure 02_image047
，其中最早的歷史交易的交易特徵類別O1 被當前交易的交易特徵類別OR+1 替代。 　　接著在步驟530，確定第二交易序列O’ 的出現概率
Figure 02_image049
。 　　隨後進入步驟540，將第二交易序列的出現概率
Figure 02_image049
與第一交易序列的出現概率
Figure 02_image051
進行比較來對該單個賬戶的當前交易的風險進行判斷。優選地，可以定義出現概率的變化率
Figure 02_image053
作為交易風險判斷的依據。具體而言，如果
Figure 02_image055
θ，則說明當前交易與歷史交易模型存在較大差別，因此判斷為可疑交易；如果
Figure 02_image057
θ，則判斷當前交易為正常交易，這裡θ為一個預先設定的閾值。 　　最後在步驟550，客戶端將步驟540的判斷結果發送給雲端服務器或後臺交易處理系統。 　　圖6為按照本發明另一個實施例的用於交易風險實時偵測的服務器的框圖。 　　圖6所示的服務器60包含存儲器610、處理器620以及存儲在存儲器610上並可在處理器620上運行的計算機程序630，其中，計算機程序630通過在處理器620上運行以可執行如上借助圖1-3所述實施例的方法。 　　圖7為按照本發明另一個實施例的用於交易風險實時偵測的客戶端的框圖。 　　圖7所示的客戶端70包含存儲器710、處理器720以及存儲在存儲器710上並可在處理器720上運行的計算機程序730，其中，計算機程序730通過在處理器720上運行以可執行如上借助圖4和5所述實施例的方法。在本實施例中，客戶端可以為手機、收單機構的POS機或掃碼器。 　　按照本發明的一個方面，提供一種計算機可讀存儲介質，其上存儲計算機程序，該程序被處理器執行時實現借助圖1-3所述實施例的方法。 　　按照本發明的一個方面，提供一種計算機可讀存儲介質，其上存儲計算機程序，該程序被處理器執行時實現借助圖4和5所述實施例的方法。 　　與現有技術相比，本發明的上述實施例具有下列優點： 　　1、通過採用針對每個賬戶定制的歷史交易模型來判斷交易風險，有效避免了通用模型適應性差等不足。 　　2、通過利用隱馬爾可夫算法建立賬戶級的歷史交易模型並且根據當前交易與交易歷史模型的概率差異來判斷交易風險，提高了判斷的準確性。 　　3、由於可以將交易風險的判斷操作安排在客戶端處完成，避免了大規模交易併發時對後臺交易處理系統的運行壓力，同時也提高了判別速度。 　　提供本文中提出的實施例和示例，以便最好地說明按照本技術及其特定應用的實施例，並且由此使本領域的技術人員能夠實施和使用本發明。但是，本領域的技術人員將會知道，僅為了便於說明和舉例而提供以上描述和示例。所提出的描述不是意在涵蓋本發明的各個方面或者將本發明局限於所公開的精確形式。 　　鑒於以上所述，本公開的範圍通過以下權利要求書來確定。
110‧‧‧步驟120‧‧‧步驟130‧‧‧步驟140‧‧‧步驟210‧‧‧步驟220‧‧‧步驟230‧‧‧步驟310‧‧‧步驟320‧‧‧步驟330‧‧‧步驟410‧‧‧步驟420‧‧‧步驟430‧‧‧步驟510‧‧‧步驟520‧‧‧步驟530‧‧‧步驟540‧‧‧步驟550‧‧‧步驟60‧‧‧服務器610‧‧‧存儲器620‧‧‧處理器630‧‧‧計算機程序70‧‧‧客戶端710‧‧‧存儲器720‧‧‧處理器730‧‧‧計算機程序
本發明的上述和/或其它方面和優點將通過以下結合附圖的各個方面的描述變得更加清晰和更容易理解，附圖中相同或相似的單元採用相同的標號表示。附圖包括： 　　圖1為按照本發明一個實施例的用於交易風險實時偵測的方法的流程圖。 　　圖2為可應用於圖1所示實施例的第一交易序列生成方法的流程圖。 　　圖3為可應用於圖1所示實施例的隱馬爾可夫模型訓練方法的流程圖。 　　圖4為按照本發明另一個實施例的用於偵測交易風險的方法的流程圖。 　　圖5為可應用於圖4所示實施例的基於隱馬爾可夫模型的交易風險判斷方法的流程圖。 　　圖6為按照本發明另一個實施例的用於交易風險實時偵測的服務器的框圖。 　　圖7為按照本發明另一個實施例的用於交易風險實時偵測的客戶端的框圖。

Claims (20)

  1. 一種由服務器執行之用於交易風險實時偵測的方法，其特徵在於，包含下列步驟：該服務器基於與單個賬戶相關聯的歷史交易建立對應於該單個賬戶的歷史交易模型；以及該服務器向客戶端提供歷史交易模型以供其對該單個賬戶的當前交易的風險進行判斷，其中，所述歷史交易模型為隱馬爾可夫模型，建立歷史交易模型的步驟包括：生成表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列作為隱馬爾可夫模型的觀察狀態集合；以及利用第一交易序列來訓練該隱馬爾可夫模型以建立該單個賬戶的歷史交易模型。
  2. 如申請專利範圍第1項所述的方法，其中，建立對應於單個賬戶的歷史交易模型的步驟在雲端完成。
  3. 如申請專利範圍第1項所述的方法，其中，進一步包括下列步驟：利用單個賬戶新增的歷史交易記錄對歷史交易模型進行定期或不定期地更新。
  4. 如申請專利範圍第1-3項中任意一項所述的方法，其 中，生成第一交易序列的步驟包括：生成單個賬戶的每筆歷史交易的交易特徵向量以得到多個交易特徵向量；對所得到的多個交易特徵向量進行聚類處理以得到一個或多個交易特徵類別，其中每個所述交易特徵類別對應於一個可觀察行為狀態；以及根據各自的交易特徵向量確定每筆歷史交易所屬的交易特徵類別從而得到該單個賬戶的第一交易序列。
  5. 如申請專利範圍第4項所述的方法，其中，按照下列方式確定所屬的交易特徵類別：計算單個賬戶的每筆歷史交易的交易特徵向量與每個交易特徵類別的相似性；以及將對應於最大相似性的交易特徵類別確定為該筆歷史交易的交易特徵向量所屬的交易特徵類別。
  6. 如申請專利範圍第4項所述的方法，其中，利用第一交易序列來訓練隱馬爾可夫模型包括下列步驟：設定對應於單個賬戶的隱馬爾可夫模型的隱藏狀態的數量；設定該隱馬爾可夫模型的參數的初始值，其中，所述參數包括隱藏狀態間的轉移概率矩陣、隱藏狀態到觀察狀態的概率矩陣和隱藏狀態的初始概率分佈；對於該單個賬戶的第一交易序列，基於使第一交易序 列的出現概率最大的優化目標來確定所述參數的優化值，由此建立對應於該單個賬戶的歷史交易模型。
  7. 如申請專利範圍第6項所述的方法，其中，隱藏狀態間的轉移概率矩陣和隱藏狀態的初始概率分佈的初始值設定為等概率值，隱藏狀態到觀察狀態的概率矩陣的初始值根據交易特徵類別的分佈確定。
  8. 如申請專利範圍第1-3項中任意一項所述的方法，其中，採用非關係型數據庫來保存對應於單個賬戶的歷史交易模型。
  9. 一種由客戶端執行之用於偵測交易風險的方法，其特徵在於，包含下列步驟：該客戶端從雲端獲取對應於單個賬戶的歷史交易模型，該歷史交易模型基於與該單個賬戶相關聯的歷史交易而建立；該客戶端利用歷史交易模型對該單個賬戶的當前交易的風險進行判斷；以及該客戶端輸出當前交易的風險的判斷結果，其中，所述歷史交易模型為隱馬爾可夫模型，該隱馬爾可夫模型的觀察狀態集合為表示單個賬戶的歷史交易的可觀察行為狀態的第一交易序列，利用第一交易序列來訓練該隱馬爾可夫模型以建立該單個賬戶的歷史交易模型。
  10. 如申請專利範圍第9項所述的方法，其中，歷史交易的可觀察行為狀態按照下列方式確定：生成單個賬戶的每筆歷史交易的交易特徵向量以得到多個交易特徵向量；對所得到的多個交易特徵向量進行聚類處理以得到一個或多個交易特徵類別，其中每個所述交易特徵類別對應於一個可觀察行為狀態；以及根據各自的交易特徵向量確定每筆歷史交易所屬的交易特徵類別。
  11. 如申請專利範圍第10項所述的方法，其中，利用所述歷史交易模型對單個賬戶的當前交易的風險進行判斷包括下列步驟：確定當前交易的交易特徵向量所屬的交易特徵類別；通過以當前交易的交易特徵向量所屬的交易特徵類別替換該單個賬戶的第一交易序列中的歷史交易的交易特徵向量所屬的交易特徵類別而生成第二交易序列；確定第二交易序列的出現概率；以及通過將第二交易序列的出現概率與第一交易序列的出現概率進行比較來對該單個賬戶的當前交易的風險進行判斷。
  12. 如申請專利範圍第11項所述的方法，其中，第一交易 序列中被替換的歷史交易對應於第一交易序列中交易時間最早的歷史交易。
  13. 如申請專利範圍第11項所述的方法，其中，按照下列方式確定所屬的交易特徵類別：計算單個賬戶的當前交易的交易特徵向量與每個交易特徵類別的相似性；以及將對應於最大相似性的交易特徵類別確定為當前交易的交易特徵向量所屬的交易特徵類別。
  14. 如申請專利範圍第13項所述的方法，其中，所述相似性以下列指標中的一種來表徵：當前交易的交易特徵向量與每個交易特徵類別中心向量之間的歐氏距離、當前交易的交易特徵向量與每個交易特徵類別中心向量之間的余弦距離以及當前交易的交易特徵向量與每個交易特徵類別的傑卡德相似度。
  15. 如申請專利範圍第13項所述的方法，其中，由客戶端確定當前交易所屬的交易特徵類別，並且每個交易特徵類別以及相應的中心向量以關係數據表的形式保存在客戶端。
  16. 一種服務器，包含存儲器、處理器以及存儲在所述存儲器上並可在所述處理器上運行的計算機程序，其特徵在 於，執行如申請專利範圍第1-8項中任意一項所述的方法。
  17. 一種客戶端，包含存儲器、處理器以及存儲在所述存儲器上並可在所述處理器上運行的計算機程序，其特徵在於，執行如申請專利範圍第9-15項中任意一項所述的方法。
  18. 如申請專利範圍第17項所述的客戶端，其中，所述客戶端為手機、收單機構的POS機或掃碼器。
  19. 一種計算機可讀存儲介質，其上存儲計算機程序，其特徵在於，該程序被處理器執行時實現如申請專利範圍第1-8項中任意一項所述的方法。
  20. 一種計算機可讀存儲介質，其上存儲計算機程序，其特徵在於，該程序被處理器執行時實現如申請專利範圍第9-15項中任意一項所述的方法。
TW107124221A 2017-07-18 2018-07-13 用於交易風險實時偵測的方法和裝置 TWI734920B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
??201710584386.9 2017-07-18
CN201710584386.9 2017-07-18
CN201710584386.9A CN109272312B (zh) 2017-07-18 2017-07-18 用于交易风险实时侦测的方法和装置

Publications (2)

Publication Number Publication Date
TW201909047A TW201909047A (zh) 2019-03-01
TWI734920B true TWI734920B (zh) 2021-08-01

Family

ID=65015362

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107124221A TWI734920B (zh) 2017-07-18 2018-07-13 用於交易風險實時偵測的方法和裝置

Country Status (3)

Country Link
CN (1) CN109272312B (zh)
TW (1) TWI734920B (zh)
WO (1) WO2019015499A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276620B (zh) * 2019-06-28 2024-09-17 深圳前海微众银行股份有限公司 一种确定异常交易的方法及装置
CN110458576B (zh) * 2019-07-31 2022-12-20 同济大学 一种融合事前预测和事中检测的网络交易反欺诈方法
CN110991871A (zh) * 2019-11-29 2020-04-10 深圳前海微众银行股份有限公司 风险监测方法、装置、设备与计算机可读存储介质
CN111311408B (zh) * 2020-02-10 2021-08-03 支付宝(杭州)信息技术有限公司 电子交易属性识别方法及装置
CN114936940A (zh) * 2022-06-08 2022-08-23 中国银行股份有限公司 新交易的风险确定方法及装置
CN116611829B (zh) * 2023-07-21 2023-11-14 山东美丽乡村云计算有限公司 一种基于区块链的消费监管系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020099594A1 (en) * 2000-05-26 2002-07-25 Nicholas Heard Method and apparatus for determining one or more statistical estimators of customer behavior
TW201405340A (zh) * 2012-07-20 2014-02-01 Alibaba Group Services Ltd 搜尋結果排序方法及系統、搜尋結果排序最佳化方法及系統
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN106485348A (zh) * 2016-09-22 2017-03-08 中国银联股份有限公司 一种交易数据的预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110112869A1 (en) * 2009-11-09 2011-05-12 Revolutionary E-Commerce Systems, Inc. Online transaction hosting apparatus and method
CN106251214A (zh) * 2016-08-02 2016-12-21 东软集团股份有限公司 账户监控方法及装置
CN106485396A (zh) * 2016-09-09 2017-03-08 北京科技大学 一种安全生产隐患排查系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020099594A1 (en) * 2000-05-26 2002-07-25 Nicholas Heard Method and apparatus for determining one or more statistical estimators of customer behavior
TW201405340A (zh) * 2012-07-20 2014-02-01 Alibaba Group Services Ltd 搜尋結果排序方法及系統、搜尋結果排序最佳化方法及系統
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN106485348A (zh) * 2016-09-22 2017-03-08 中国银联股份有限公司 一种交易数据的预测方法及装置

Also Published As

Publication number Publication date
CN109272312A (zh) 2019-01-25
WO2019015499A1 (zh) 2019-01-24
CN109272312B (zh) 2021-07-13
TW201909047A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
TWI734920B (zh) 用於交易風險實時偵測的方法和裝置
US11863644B2 (en) Push notification delivery system with feedback analysis
JP6555411B2 (ja) 情報処理方法および情報処理装置
WO2022267735A1 (zh) 业务数据处理方法、装置、计算机设备和存储介质
US11343156B2 (en) Compute intensive stream processing with context data routing
JP6259568B2 (ja) ユーザ間の親密度に基づいて友人の友人を推薦するソーシャルネットワークサービスシステム及びその提供方法
CN109583904A (zh) 异常操作检测模型的训练方法、异常操作检测方法及装置
CN108399381A (zh) 行人再识别方法、装置、电子设备和存储介质
CN112231584B (zh) 基于小样本迁移学习的数据推送方法、装置及计算机设备
WO2020010569A1 (zh) 大数据综合分析处理服务系统
TWI772287B (zh) 問題推薦方法及設備
US9531827B1 (en) Push notification delivery system with feedback analysis
CN110347888B (zh) 订单数据的处理方法、装置及存储介质
CN110796089A (zh) 用于训练换脸模型的方法和设备
CN110991871A (zh) 风险监测方法、装置、设备与计算机可读存储介质
CN112801693A (zh) 基于高价值用户的广告特征分析方法及系统
CN104573031B (zh) 一种微博突发事件检测方法
CN104954185A (zh) 一种基于深度置信网的云计算负载预测方法
CN111210022B (zh) 向后模型选择方法、设备及可读存储介质
CN103679484A (zh) 基于行为Petri网的电子商务一致性分析新方法
CN117936080A (zh) 基于联邦大模型的实体恶性肿瘤临床辅助决策方法及系统
CN105791010A (zh) 基于用户隐含特征和协同过滤的服务质量QoS预测方法
WO2024078299A1 (zh) 发明名称：特征提取模型处理及特征提取方法、装置和计算机设备
JP7345744B2 (ja) データ処理装置
CN113723008B (zh) 基于几何非纠缠变分自动编码器学习几何解耦表示的方法