WO2020038099A1 - 一种签约风险量化方法、代扣风险量化方法、装置及设备 - Google Patents

一种签约风险量化方法、代扣风险量化方法、装置及设备 Download PDF

Info

Publication number
WO2020038099A1
WO2020038099A1 PCT/CN2019/092691 CN2019092691W WO2020038099A1 WO 2020038099 A1 WO2020038099 A1 WO 2020038099A1 CN 2019092691 W CN2019092691 W CN 2019092691W WO 2020038099 A1 WO2020038099 A1 WO 2020038099A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
payment account
signing
comparison result
value
Prior art date
Application number
PCT/CN2019/092691
Other languages
English (en)
French (fr)
Inventor
商瑾
孙传亮
Original Assignee
阿里巴巴集团控股有限公司
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 阿里巴巴集团控股有限公司 filed Critical 阿里巴巴集团控股有限公司
Publication of WO2020038099A1 publication Critical patent/WO2020038099A1/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
    • G06Q20/08—Payment architectures
    • G06Q20/085—Payment architectures involving remote charge determination or related payment systems
    • G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
    • 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

Definitions

  • the obtaining module is configured to obtain historical information before payment account signing and / or current information of payment account signing;
  • the embodiments of the present specification provide a contract risk quantification method, a withholding risk quantification method, a device, and a device.
  • the payment account history signing habits that are greater than the corresponding first preset threshold, the high-risk operation before the signing of the payment account, the high-risk conflict before the signing of the payment account, and the high-risk before signing the payment account are selected Identity.
  • the result of the screening is: the preference value of the payment account for contracted withholding consumption is 6, the payment account has a contracted withholding history and historical behavior performance 5 under the same merchant account, and the payment account is at 01: 00- In the time period of 03:00, the characteristic value of the mobile phone is changed 4 times, and the payment account is deleted in the time period of 01: 00-03: 00.
  • step 115 if the historical information before the contract and the current information of the contract are obtained in step 105, then in step 115, the first sum 0.4 and the second sum 0.3 are added to obtain a contract risk quantified score of 0.7. . If the historical information before signing is obtained in step 105, then in step 115, a quantified score of signing risk is obtained as 0.4. If the current information of the contract is obtained in step 105, then in step 115, the quantified score of the contract risk is 0.3.
  • the number of game products consumed by accounts 7 and 8 associated with AppleStore and Alipay in the past three months is shown in Table 3.
  • the difference between the number of game products consumed by account 7 is 0, and the number of game products consumed by account 8 The number difference is 15.
  • the eigenvalues selected by the WOE model are input into a logistic regression model, and their corresponding weights are multiplied and the multiplied results are added to obtain a first sum value of 0.2, a second sum value of 0.4, and a third sum value of 0.2. At least one of.
  • the first layer L1 obtains at least one of the device information, environmental information and consumption information of the payment account and the merchant account, and compares the obtained information; the device conflict module and environment in the second layer L2
  • the conflict module and the consumption conflict module use the WOE model to extract the feature values of the comparison results and filter out the feature values that are larger than the preset threshold; use the logistic regression model to multiply the feature values larger than the preset threshold by their corresponding weights and multiply The results are added to obtain the sum value;
  • the withholding risk quantitative score (false withholding risk score) is obtained according to the sum value;
  • the third layer L3 outputs the withholding risk quantitative score to the Alipay account and the merchant account.
  • the obtaining module 415 is configured to be based on the characteristic value of the historical information before the payment account is signed, and the weight of the historical information before the payment account is signed, and / or the characteristic value of the current information of the payment account, and the payment account is signed.
  • the weight of the current information gets a quantified score for signing risks.
  • These computer program instructions may also be stored in a computer-readable memory capable of directing a computer or other programmable data processing device to work in a particular manner such that the instructions stored in the computer-readable memory produce a manufactured article including an instruction device, the instructions
  • the device implements the functions specified in one or more flowcharts and / or one or more blocks of the block diagram.
  • These computer program instructions can also be loaded on a computer or other programmable data processing device, so that a series of steps can be performed on the computer or other programmable device to produce a computer-implemented process, which can be executed on the computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more flowcharts and / or one or more blocks of the block diagrams.
  • Memory may include non-persistent memory, random access memory (RAM), and / or non-volatile memory in computer-readable media, such as read-only memory (ROM) or flash memory (flash RAM). Memory is an example of a computer-readable medium.
  • RAM random access memory
  • ROM read-only memory
  • flash RAM flash memory

Abstract

本说明书公开了一种签约风险量化方法、代扣风险量化方法、装置及设备。该方法包括：获取支付账户签约前历史信息和/或签约当下信息；提取支付账户签约前历史信息的特征值和/或签约当下信息的特征值；根据提取的特征值及对应的权重，得到签约风险量化分。获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；将支付账户的设备信息、环境信息和消费信息中的至少一者与商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；提取比较结果中的至少一者的特征值；根据提取的特征值及其对应的权重，得到代扣风险量化分。

Description

一种签约风险量化方法、代扣风险量化方法、装置及设备 技术领域
本说明书涉及风险控制技术领域，尤其是涉及一种签约风险量化方法、代扣风险量化方法、装置及设备。
背景技术
签约代扣业务发展迅速，先后衍生出周期性签约代扣、浸入式签约代扣、小额免密签约代扣和先享后付签约代扣。支付宝在2017年签约的商户激增98％，交易额上涨了117％，市场接受度良好，随着签约代扣业务的整体发展，签约代扣业务的风险防控愈加重要。整个签约代扣的主要流程，分为签约和下单代扣。一旦签约成功，在下单代扣环节，用户不需要再校验支付密等信息，风险量化的重点，就要前置到签约环节。对于代扣环节，也万不能放松警惕。
目前行业内对于签约代扣类业务的风控较为空白，并没有系统的解决方案。但凡信息核对成功，就会签约成功。客户姓名、卡号等信息在灰色产业链中流通甚广，非常容易被坏人利用起来，走签约代扣进行销赃。
发明内容
本说明书实施例提供一种签约风险量化方法、代扣风险量化方法、装置及设备。解决了现有签约代扣环节没有系统的风险控制解决方案问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种签约风险量化方法，该方法包括：
获取支付账户签约前历史信息和/或支付账户签约当下信息；
提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；
根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
本说明书实施例提供的一种代扣风险量化方法，该方法包括：
获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
本说明书实施例提供的一种签约风险量化装置，该装置包括：获取模块、提取模块和获得模块；
所述获取模块，用于获取支付账户签约前历史信息和/或支付账户签约当下信息；
所述提取模块，用于提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；
所述获得模块，用于根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
本说明书实施例提供的一种代扣风险量化装置，该装置包括：获取模块，比较模块，提取模块和获得模块；
所述获取模块，用于获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
所述比较模块，用于将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
所述提取模块，用于提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
所述获得模块，用于根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
本说明书实施例提供的一种签约风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行上述的签约风险量化方法。
本说明书实施例提供的一种代扣风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行上述的代扣风险量化方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：搭建起完整的风控框架；弱化人的经验，不依靠专家的经验来进行风险识别；得出签约和代扣的量化分的同时，还给出了用户的签约画像；将支付机构和商户的双重信息进行比对，发挥协同作用，产生更多的数据价值。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种签约风险量化方法的流程示意图；
图2为本说明书实施例提供的一种代扣风险量化方法的流程示意图；
图3为本说明书实施例提供的通用签约代扣风控框架；
图4为本说明书实施例提供的一种签约风险量化装置的结构示意图；
图5为本说明书实施例提供的一种代扣风险量化装置的结构示意图；
图6为量化分大于60的界面示意图；
图7为量化分为30—60的界面示意图；
图8为量化分小于30的界面示意图。
具体实施方式
本说明书实施例提供一种签约风险量化方法、代扣风险量化方法、装置以及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例， 本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种签约风险量化方法的流程示意图，该流程示意图包括：
步骤105，获取支付账户签约前历史信息和/或支付账户签约当下信息；
在本说明书实施例中，该步骤的执行主体可以为如手机、平板电脑、PC等终端设备，也可以为服务器端。
在本说明书实施例中，支付账户签约前历史信息包括支付账户历史签约习惯、支付账户签约前操作、支付账户签约前冲突和支付账户签约前身份中的至少一者；支付账户签约当下信息包括支付账户签约时间段信息、支付账户签约渠道信息、支付账户签约设备信息和支付账户签约环境信息中的至少一者。在实际应用中，支付账户签约前历史信息和支付账户签约当下信息并不限于上述信息。其中，签约渠道信息包括短信认证、指纹认证和人脸认证中的至少一者；签约设备信息包括设备操作系统和/或设备型号；签约环境信息包括IP环境和/或LBS环境。
进一步地，在本说明书实施例中，支付账户历史签约习惯包括支付账户进行签约代扣消费的偏好度和/或支付账户在同商户账户下有无签约代扣历史及历史行为表现；支付账户签约前操作包括支付账户在特定时间段内的换绑手机次数、支付账户在特定时间段内的改密次数和支付账户在特定时间段内的删除记录次数中的至少一者；支付账户签约前冲突包括支付账户在特定时间段内的IP跳转表现和支付账户在特定时间段内的设备跳转表现；支付账户签约前身份包括支付账户是否在签约高危名单和/或支付账户是否是容易被盗人群。具体而言，在本说明书实施例中，上述特定时间段包括但不限于00：00-07:00和签约前3分钟至签约时。
步骤110，提取所述支付账户签约前历史信息特征值和/或所述支付账户签约当下信息特征值；
在本说明书实施例中，利用WOE模型提取支付账户签约前历史信息特征值和/或支付账户签约当下信息特征值。在实际应用中，提取到的支付账户进行签约代扣消费的偏好度特征值为6，支付账户在同商户账户下有签约代扣历史及历史行为表现5，支付账户在01：00-03:00时间段内的换绑手机4次特征值为3，支付账户在签约前的3分钟内换绑手机1次特征值为1，支付账户在01：00-03:00时间段内改密4次特征值为2，支 付账户在签约前的3分钟内改密1次特征值为1，支付账户在01：00-03:00时间段内的删除记录4次数特征值为5，支付账户在01：00-03:00时间段内的IP跳转2次特征值为2，支付账户在01：00-03:00时间段内的设备跳转2次特征值为2，支付账户在签约高危名单特征值为3，支付账户是容易被盗人群特征值为3，支付账户签约时间为02:30特征值为3，支付账户签约渠道为指纹认证特征值为0，支付账户签约设备手机为iPhone6特征值为1，支付账户签约环境LBS信息为北京特征值为1。
步骤115，根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
在本说明书实施例中，将WOE模型提取的支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加得到第一和值；进一步地，利用WOE模型筛选出支付账户签约前历史信息的特征值中大于对应第一预设阈值的特征值；和/或将WOE模型提取的支付账户签约当下信息与其对应的权重相乘并将相乘结果相加得到第二和值；进一步地，利用WOE模型筛选出支付账户签约当下信息的特征值中大于对应第二预设阈值的特征值；
在本说明书实施例中，支付账户进行签约代扣消费的偏好度第一预设阈值为3，支付账户在同商户账户下有签约代扣历史及历史行为表现第一预设阈值为3，支付账户在特定时间段内换绑手机次数第一预设阈值为3，支付账户在特定时间段内改密次数第一预设阈值为3，支付账户在特定时间段内删除记录次数第一阈值为3，支付账户在特定时间段内的IP跳转次数第一预设阈值为1，支付账户在特定时间段内的设备跳转次数第一预设阈值为2，支付账户在签约高危名单第一预设阈值为2，支付账户是容易被盗人群第一预设阈值为2。
在本说明书实施例中，筛选出签约前历史信息的特征值中大于对应第一预设阈值的支付账户历史签约习惯、支付账户签约前高危操作、支付账户签约前高危冲突和支付账户签约前高危身份。具体而言，筛选出的结果是：支付账户进行签约代扣消费的偏好度特征值为6，支付账户在同商户账户下有签约代扣历史及历史行为表现5，支付账户在01：00-03:00时间段内的换绑手机4次特征值为4，支付账户在01：00-03:00时间段内的删除记录4次数特征值为4，支付账户在01：00-03:00时间段内的IP跳转2次特征值为2，支付账户在签约高危名单特征值为3，支付账户是容易被盗人群特征值为3。
在本说明书实施例中，筛选出的支付账户进行签约代扣消费的偏好度特征值为6对 应的权重是-5，支付账户在同商户账户下有签约代扣历史及历史行为表现5对应的权重是-3.2，支付账户在01：00-03:00时间段内的换绑手机4次特征值为4对应的权重是2.6，支付账户在01：00-03:00时间段内的删除记录4次数特征值为4对应的权重是2.4，支付账户在01：00-03:00时间段内的IP跳转2次特征值为2对应的权重是1.8，支付账户在签约高危名单特征值为3对应的权重是3.3，支付账户是容易被盗人群特征值为3对应的权重是4.3。将WOE模型筛选出的特征值输入到逻辑回归模型中，与其对应的权重相乘并将相乘结果相加，得到第一和值为0.4。
在本说明书实施例中，支付账户签约时间为02:30第二预设阈值为2，支付账户签约渠道为指纹认证第二预设阈值为1，支付账户签约设备手机为iPhone6第二预设阈值为1，支付账户签约环境LBS信息为北京第二预设阈值为1。
在本说明书实施例中，筛选出签约当下信息的特征值中大于对应第二预设阈值的支付账户签约时间为02:30特征值为3。
将WOE模型筛选出的特征值输入到逻辑回归模型中，与其对应的权重相乘并将相乘结果相加，得到第二和值为0.3。
在本说明书实施例中，支付账户签约时间为02:30特征值为3对应的权重是0.1。
在本说明书实施例中，若步骤105获取的是签约前历史信息和签约当下信息，则在步骤115中，将第一和值0.4和第二和值0.3相加，得到签约风险量化分为0.7。若步骤105获取的是签约前历史信息，则在步骤115中，得到签约风险量化分为0.4。若步骤105获取的是签约当下信息，则在步骤115中，得到签约风险量化分为0.3。
更优选地，将得到的签约风险量化分乘以100。若步骤105获取的是签约前历史信息和签约当下信息，则得到的签约风险量化分为70；若步骤105获取的是签约前历史信息，则得到的签约风险量化分为40；若步骤105获取的是签约当下信息，则得到的签约风险量化分为30。
图2为本说明书实施例提供的一种代扣风险量化方法的流程示意图，该流程示意图包括：
步骤205，获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
在本说明书实施例中，该步骤的执行主体可以为如手机、平板电脑、PC等终端设备，也可以为服务器端。
在本说明书实施例中，支付账户和商户账户的设备信息包括设备地理位置信息和/或使用设备数量；环境信息包括地理位置信息和/或IP信息；消费信息包括订单号、支付时间和支付方式中的至少一者。
步骤210,将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
在实际应用中，在过去7天与AppleStore和Alipay关联的账户1、账户2和账户3使用设备数量情况如表1所示，账户1使用设备数差值为0，账户2使用设备数差值为3，账户3使用设备数差值为0。
代扣风险量化分以及代扣风险如表1所示。
表1
  AppleStore Alipay 代扣风险量化分 代扣风险
账户1 使用设备数1个 使用设备数1个 15 安全代扣
账户2 使用设备数4个 使用设备数1个 84 高危代扣
账户3 使用设备数4个 使用设备数4个 28 可疑代扣
在实际应用中，在过去一个月与AppleStore和Alipay关联的账户4、账户5和账户6分别出现过的LBS信息如表2所示，账户4LBS信息差值为0，账户5LBS信息差值为4，账户6LBS信息差值为0。
表2
  AppleStore Alipay 代扣风险量化分 代扣风险
账户4 总在一个城市使用 总在一个城市使用 20 安全代扣
账户5 在5个城市使用 总在一个城市使用 88 高危代扣
账户6 在5个城市使用 在5个城市使用 30 可疑代扣
在实际应用中，在过去三个月与AppleStore和Alipay关联的账户7和账户8分别消费游戏产品的数量如表3所示，账户7消费游戏产品的数量差值为0，账户8消费游戏产品的数量差值为15。
表3
  AppleStore Alipay 代扣风险量化分 代扣风险
账户7 从未消费过游戏产品 从未消费过游戏产品 20 安全代扣
账户8 消费15笔游戏产品 从未消费过游戏产品 88 高危代扣
步骤215，提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
在本说明书实施例中，利用WOE模型提取表1中账户1使用设备数差值0的特征值为6，账户2使用设备数差值3的特征值为4，账户3使用设备数差值0的特征值为6；利用WOE模型提取表2中账户4LBS信息差值0的特征值为4，账户5LBS信息差值4的特征值为6，账户6LBS信息差值0的特征值为4；利用WOE模型提取表3中账户7消费游戏产品的数量差值0的特征值为3，账户8消费游戏产品的数量差值15的特征值为8。
步骤220，根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
在本说明书实施例中，利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值；进一步地，利用WOE模型筛选出设备信息比较结果的特征值中大于对应第一阈值的特征值；利用逻辑回归模型将所述大于对应第一阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或利用逻辑回归模型将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值；进一步地，利用WOE模型筛选出环境信息比较结果的特征值中大于对应第二阈值的特征值；利用逻辑回归模型将所述大于对应第二阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值；和/或利用逻辑回归模型将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第三和值；进一步地，利用WOE模型筛选出消费信息比较结果的特征值中大于对应第三阈值的特征值；利用逻辑回归模型将所述大于对应第三阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第三和值。
在本说明书实施例中，表1中账户1使用设备数差值的第一阈值为1，账户2使用设备数差值的第一阈值2，账户3使用设备数差值的第一阈值为2；表2中账户4LBS信息差值的第一阈值为2，账户5LBS信息差值的第一阈值为3，账户6LBS信息差值的 第一阈值为2；表3中账户7消费游戏产品的数量差值的第一阈值为3，账户8消费游戏产品的数量差值的第一阈值为4。
在本说明书实施例中，利用WOE模型筛选出的信息如下：账户1使用设备数差值0的特征值为6，账户2使用设备数差值3的特征值为4，账户3使用设备数差值0的特征值为6；账户5LBS信息差值4的特征值为6，账户6LBS信息差值0的特征值为4；账户8消费游戏产品的数量差值15的特征值为8。
在本说明书实施例中，表1中账户1使用设备数差值0的特征值为6对应的权重为-1.3，账户2使用设备数差值3的特征值为4对应的权重为4.7，账户3使用设备数差值0的特征值为6对应的权重为-1.8；表2中账户5LBS信息差值4的特征值为6对应的权重为1.6，账户6LBS信息差值0的特征值为4对应的权重为-2.3；账户8消费游戏产品的数量差值15的特征值为1对应的权重为0.2。
将WOE模型筛选出的特征值输入到逻辑回归模型中，与其对应的权重相乘并将相乘结果相加，得到第一和值为0.2、第二和值为0.4和第三和值为0.2中的至少一者。若步骤205中同时获取了支付账户和商户账户的设备信息、环境信息和消费信息，则将第一和值、第二和值与第三和值相加，得到代扣风险量化分为0.8；若步骤205中同时获取了支付账户和商户账户的设备信息和环境信息，则将第一和值与第二和值相加，得到代扣风险量化分为0.6；若步骤205中同时获取了支付账户和商户账户的环境信息和消费信息，则将第二和值与第三和值相加，得到代扣风险量化分为0.6；若步骤205中同时获取了支付账户和商户账户的设备信息和消费信息，则将第一和值与第三和值相加，得到代扣风险量化分为0.3；若步骤205中只获取了支付账户和商户账户的设备信息，则将第一和值作为代扣风险量化分；若步骤205中只获取了支付账户和商户账户的环境信息，则将第二和值作为代扣风险量化分；若步骤205中只获取了支付账户和商户账户的消费信息，则将第三和值作为代扣风险量化分。
更优选地，将得到的代扣风险量化分乘以100。如图6所示，代扣风险量化分大于60的代扣为高危代扣，如图7所示，代扣风险量化分在30-60之间的代扣为可疑代扣，如图8所示，代扣风险量化分小于30的代扣为安全代扣。
图3为本说明书实施例提供的通用签约代扣风控框架，用以实现图1中的一种签约风险量化方法和图2中的一种代扣风险量化方法。针对签约环节，第一层L1获取支付账户签约前历史信息和/或签约当下信息；第二层L2中的历史信息模块和当下信息模块利用WOE模型提取获取的信息的特征值，并筛选出大于预设阈值的特征值；利用逻辑 回归模型将大于预设阈值的特征值乘以其对应的权重，并将相乘结果相加，得到和值；根据和值得到签约风险量化分(虚假签约风险分)；第三层L3将签约风险量化分输出给支付宝账户和商户账户。针对代扣环节，第一层L1获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者，并将获取到的信息作比较；第二层L2中的设备冲突模块、环境冲突模块和消费冲突模块利用WOE模型提取比较结果的特征值，并筛选出大于预设阈值的特征值；利用逻辑回归模型将大于预设阈值的特征值乘以其对应的权重，并将相乘结果相加，得到和值；根据和值得到代扣风险量化分(虚假代扣风险分)；第三层L3将代扣风险量化分输出给支付宝账户和商户账户。
图4为本说明书实施例提供的一种签约风险量化装置的结构示意图，该结构示意图包括：获取模块405、提取模块410和获得模块415；
所述获取模块405，用于获取支付账户签约前历史信息和/或支付账户签约当下信息；
所述提取模块410，用于提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；具体用于利用WOE模型提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值。
所述获得模块415，用于根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
进一步地，所述支付账户签约前历史信息包括：支付账户历史签约习惯、支付账户签约前操作、支付账户签约前冲突和支付账户签约前身份中的至少一者；所述支付账户签约当下信息包括：支付账户签约时间段信息、支付账户签约渠道信息、支付账户签约设备信息和支付账户签约环境信息中的至少一者。
进一步地，所述获得模块415，具体用于利用逻辑回归模型将所述支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述支付账户签约当下信息的特征值与其对应的权重相乘并将相乘结果相加得到第二和值；根据所述第一和值和/或所述第二和值得到签约风险量化分。再进一步地，针对所述支付账户签约前历史信息的特征值，利用WOE模型筛选出大于对应第一预设阈值的特征值；利用逻辑回归模型将所述大于对应第一预设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或针对所述支付账户签约当下信息的特征值，利用WOE模型筛选出大于对应第二预设阈值的特征值；利用逻辑回归模型将所述大于对应第二预 设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值。
图5为本说明书实施例提供的一种代扣风险量化装置的结构示意图，该结构示意图包括：获取模块505，比较模块510，提取模块515和获得模块520；
所述获取模块505，用于获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
所述比较模块510，用于将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
所述提取模块515，用于提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
所述获得模块520，用于根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
进一步地，所述设备信息包括：设备地理位置信息和/或使用设备数量；所述环境信息包括：地理位置信息和/或IP信息；所述消费信息包括：订单号、支付时间和支付方式中的至少一者。
进一步地，具体用于提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值。
进一步地，所述获得模块520，具体用于利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值，和/或将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加，得到第三和值；根据所述第一和值、所述第二和值和所述第三和值中的至少一者得到代扣风险量化分；进一步地，针对所述设备信息比较结果的特征值，利用WOE模型筛选出大于对应第一阈值的特征值；利用逻辑回归模型将所述大于对应第一阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或针对所述环境信息比较结果的特征值，利用WOE模型筛选出大于对应第二阈值的特征值；利用逻辑回归模型将所述大于对应第二阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值；和/或针对所述消费信息比较结果的特征值，利用WOE模型筛选出大于对应第三阈值的特征值；利用逻辑回归模型将所述大于对应第三阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第 三和值。
本说明书实施例提供的一种签约风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行获取支付账户签约前历史信息和/或支付账户签约当下信息；提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分
本说明书实施例提供的一种代扣风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (22)

  1. 一种签约风险量化方法，其特征在于，该方法包括：
    获取支付账户签约前历史信息和/或支付账户签约当下信息；
    提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；
    根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
  2. 根据权利要求1所述的签约风险量化方法，其特征在于，
    所述支付账户签约前历史信息包括：支付账户历史签约习惯、支付账户签约前操作、支付账户签约前冲突和支付账户签约前身份中的至少一者；
    所述支付账户签约当下信息包括：支付账户签约时间段信息、支付账户签约渠道信息、支付账户签约设备信息和支付账户签约环境信息中的至少一者。
  3. 根据权利要求2所述的签约风险量化方法，其特征在于，所述根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分包括：
    利用逻辑回归模型将所述支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述支付账户签约当下信息的特征值与其对应的权重相乘并将相乘结果相加得到第二和值；根据所述第一和值和/或所述第二和值得到签约风险量化分。
  4. 根据权利要求3所述的签约风险量化方法，其特征在于，所述利用逻辑回归模型将所述支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或所述支付账户签约当下信息的特征值与其对应的权重相乘并将相乘结果相加得到第二和值包括：
    针对所述支付账户签约前历史信息的特征值，利用WOE模型筛选出大于对应第一预设阈值的特征值；利用逻辑回归模型将所述大于对应第一预设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或
    针对所述支付账户签约当下信息的特征值，利用WOE模型筛选出大于对应第二预设阈值的特征值；利用逻辑回归模型将所述大于对应第二预设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值。
  5. 根据权利要求1所述的签约风险量化方法，其特征在于，所述提取所述支付账 户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值包括：
    利用WOE模型提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值。
  6. 一种代扣风险量化方法，其特征在于，该方法包括：
    获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
    将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
    提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
    根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
  7. 根据权利要求6所述的代扣风险量化方法，其特征在于，
    所述设备信息包括：设备地理位置信息和/或使用设备数量；
    所述环境信息包括：地理位置信息和/或IP信息；
    所述消费信息包括：订单号、支付时间和支付方式中的至少一者。
  8. 根据权利要求7所述的代扣风险量化方法，其特征在于，所述根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分包括：
    利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值，和/或将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第三和值；根据所述第一和值、所述第二和值和所述第三和值中的至少一者得到代扣风险量化分。
  9. 根据权利要求8所述的代扣风险量化方法，其特征在于，所述利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值，和/或将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第三和值包括：
    针对所述设备信息比较结果的特征值，利用WOE模型筛选出大于对应第一阈值的特征值；利用逻辑回归模型将所述大于对应第一阈值的特征值与其对应的权重相乘并将 相乘结果相加，得到第一和值；和/或
    针对所述环境信息比较结果的特征值，利用WOE模型筛选出大于对应第二阈值的特征值；利用逻辑回归模型将所述大于对应第二阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值；和/或
    针对所述消费信息比较结果的特征值，利用WOE模型筛选出大于对应第三阈值的特征值；利用逻辑回归模型将所述大于对应第三阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第三和值。
  10. 根据权利要求9所述的代扣风险量化方法，其特征在于，所述提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值包括：
    利用WOE模型提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值。
  11. 一种签约风险量化装置，其特征在于，该装置包括：获取模块、提取模块和获得模块；
    所述获取模块，用于获取支付账户签约前历史信息和/或支付账户签约当下信息；
    所述提取模块，用于提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值；
    所述获得模块，用于根据所述支付账户签约前历史信息的特征值及所述支付账户签约前历史信息的权重和/或所述支付账户签约当下信息的特征值及所述支付账户签约当下信息的权重，得到签约风险量化分。
  12. 根据权利要求11所述的签约风险量化装置，其特征在于，
    所述支付账户签约前历史信息包括：支付账户历史签约习惯、支付账户签约前操作、支付账户签约前冲突和支付账户签约前身份中的至少一者；
    所述支付账户签约当下信息包括：支付账户签约时间段信息、支付账户签约渠道信息、支付账户签约设备信息和支付账户签约环境信息中的至少一者。
  13. 根据权利要求12所述的签约风险量化装置，其特征在于，所述获得模块，具体用于利用逻辑回归模型将所述支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述支付账户签约当下信息的特征值与其对应的权重相乘并将相乘结果相加得到第二和值；根据所述第一和值和/或所述第二和值得到签约风险量化分。
  14. 根据权利要求13所述的签约风险量化装置，其特征在于，所述利用逻辑回归模型将所述支付账户签约前历史信息的特征值与其对应的权重相乘并将相乘结果相加 得到第一和值，和/或将所述支付账户签约当下信息的特征值与其对应的权重相乘并将相乘结果相加得到第二和值包括：
    针对所述支付账户签约前历史信息的特征值，利用WOE模型筛选出大于对应第一预设阈值的特征值；利用逻辑回归模型将所述大于对应第一预设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或
    针对所述支付账户签约当下信息的特征值，利用WOE模型筛选出大于对应第二预设阈值的特征值；利用逻辑回归模型将所述大于对应第二预设阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值。
  15. 根据权利要求14所述的签约风险量化装置，其特征在于，所述提取模块，具体用于利用WOE模型提取所述支付账户签约前历史信息的特征值和/或所述支付账户签约当下信息的特征值。
  16. 一种代扣风险量化装置，其特征在于，所述装置包括：获取模块，比较模块，提取模块和获得模块；
    所述获取模块，用于获取支付账户和商户账户的设备信息、环境信息和消费信息中的至少一者；
    所述比较模块，用于将所述支付账户的设备信息、环境信息和消费信息中的至少一者与所述商户账户对应的设备信息、环境信息和消费信息中的至少一者进行比较，得到设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者；
    所述提取模块，用于提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值；
    所述获得模块，用于根据所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值及其对应的权重，得到代扣风险量化分。
  17. 根据权利要求16所述的代扣风险量化装置，其特征在于，
    所述设备信息包括：设备地理位置信息和/或使用设备数量；
    所述环境信息包括：地理位置信息和/或IP信息；
    所述消费信息包括：订单号、支付时间和支付方式中的至少一者。
  18. 根据权利要求17所述的代扣风险量化装置，其特征在于，所述获得模块，具体用于利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值，和/或将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第三和值；根据所述第一和值、所述第二和值和所述第 三和值中的至少一者得到代扣风险量化分。
  19. 根据权利要求18所述的代扣风险量化装置，其特征在于，所述利用逻辑回归模型将所述设备信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第一和值，和/或将所述环境信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第二和值，和/或将所述消费信息比较结果的特征值与其对应的权重相乘并将相乘结果相加得到第三和值包括：
    针对所述设备信息比较结果的特征值，利用WOE模型筛选出大于对应第一阈值的特征值；利用逻辑回归模型将所述大于对应第一阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第一和值；和/或
    针对所述环境信息比较结果的特征值，利用WOE模型筛选出大于对应第二阈值的特征值；利用逻辑回归模型将所述大于对应第二阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第二和值；和/或
    针对所述消费信息比较结果的特征值，利用WOE模型筛选出大于对应第三阈值的特征值；利用逻辑回归模型将所述大于对应第三阈值的特征值与其对应的权重相乘并将相乘结果相加，得到第三和值。
  20. 根据权利要求19所述的代扣风险量化装置，其特征在于，所述提取模块，具体用于利用WOE模型提取所述设备信息比较结果、环境信息比较结果和消费信息比较结果中的至少一者的特征值。
  21. 一种签约风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行权利要求1-5中任一项所述的签约风险量化方法。
  22. 一种代扣风险量化设备，包括：存储器以及处理器，所述存储器存储程序，并且被配置成由所述处理器执行权利要求6-10中任一项所述的代扣风险量化方法。
PCT/CN2019/092691 2018-08-22 2019-06-25 一种签约风险量化方法、代扣风险量化方法、装置及设备 WO2020038099A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810958095.6 2018-08-22
CN201810958095.6A CN109191096A (zh) 2018-08-22 2018-08-22 一种签约风险量化方法、代扣风险量化方法、装置及设备

Publications (1)

Publication Number Publication Date
WO2020038099A1 true WO2020038099A1 (zh) 2020-02-27

Family

ID=64918889

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/092691 WO2020038099A1 (zh) 2018-08-22 2019-06-25 一种签约风险量化方法、代扣风险量化方法、装置及设备

Country Status (3)

Country Link
CN (1) CN109191096A (zh)
TW (1) TWI707287B (zh)
WO (1) WO2020038099A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备
CN110033278B (zh) * 2019-03-27 2023-06-23 创新先进技术有限公司 风险识别方法和装置
CN110648048A (zh) * 2019-08-21 2020-01-03 阿里巴巴集团控股有限公司 小程序签约事件处理方法、装置、服务器及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940868A (zh) * 2016-01-05 2017-07-11 阿里巴巴集团控股有限公司 实时与离线相结合的交易风险识别方法及装置
CN108133372A (zh) * 2017-12-28 2018-06-08 阿里巴巴集团控股有限公司 评估支付风险的方法及装置
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050033628A1 (en) * 2003-08-05 2005-02-10 Alverson David J. Contractor certification system
JP2008250361A (ja) * 2005-11-11 2008-10-16 Naoaki Suzuki 販売店舗における部門単位の営業権の分譲による加盟店契約システム、運営システム、本支店部門会計処理。その利用による経営者募集による出店開発システム
TW200943213A (en) * 2008-04-08 2009-10-16 Grandot Tech Inc Adjustable IP insurance risk assessment system and method thereof
US20170091861A1 (en) * 2015-09-24 2017-03-30 International Business Machines Corporation System and Method for Credit Score Based on Informal Financial Transactions Information
CN106779271A (zh) * 2015-11-23 2017-05-31 阿里巴巴集团控股有限公司 确定风险特征的方法及装置和账户风险评分方法及装置
CN106127363B (zh) * 2016-06-12 2022-04-15 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置
CN107784411A (zh) * 2016-08-26 2018-03-09 阿里巴巴集团控股有限公司 模型中关键变量的探测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940868A (zh) * 2016-01-05 2017-07-11 阿里巴巴集团控股有限公司 实时与离线相结合的交易风险识别方法及装置
CN108133372A (zh) * 2017-12-28 2018-06-08 阿里巴巴集团控股有限公司 评估支付风险的方法及装置
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备

Also Published As

Publication number Publication date
TW202013277A (zh) 2020-04-01
TWI707287B (zh) 2020-10-11
CN109191096A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109064175B (zh) 一种账户盗用风险防控方法及装置
KR102151862B1 (ko) 서비스 처리 방법 및 장치
US10691494B2 (en) Method and device for virtual resource allocation, modeling, and data prediction
WO2017162113A1 (zh) 一种风险信息输出、风险信息构建方法及装置
US20190108516A1 (en) Carbon footprint blockchain network
US20200311734A1 (en) Dynamic trust score
US11481687B2 (en) Machine learning and security classification of user accounts
US20180107944A1 (en) Processing Machine Learning Attributes
US11687769B2 (en) Advanced techniques for machine learning using sample comparisons
WO2020038099A1 (zh) 一种签约风险量化方法、代扣风险量化方法、装置及设备
US20190188579A1 (en) Self learning data loading optimization for a rule engine
US20210174366A1 (en) Methods and apparatus for electronic detection of fraudulent transactions
TW201828212A (zh) 調整風險參數的方法、風險識別方法及裝置
US10965700B2 (en) Fraud detection based on analysis of frequency-domain data
US20230196367A1 (en) Using Machine Learning to Mitigate Electronic Attacks
Alidin et al. Overview of blockchain implementation on islamic finance: Saadiqin experience
TW202013227A (zh) 臨限值確定及身份驗證方法、裝置、電子設備及儲存媒體
CN110570188A (zh) 用于处理交易请求的方法和系统
US20200143376A1 (en) Systems and methods for providing concurrent data loading and rules execution in risk evaluations
US11113757B1 (en) Systems and methods for filtering digital content having a negative financial influence
TWI701629B (zh) 共用產品的推薦方法、裝置以及電子設備
US20190114639A1 (en) Anomaly detection in data transactions
WO2019062220A1 (zh) 指纹支付方法及其装置、用户终端
JP6542672B2 (ja) オンライン取引プラットフォームのアカウントを制御すること
TWI668657B (zh) Business processing method and device

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19852999

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19852999

Country of ref document: EP

Kind code of ref document: A1