WO2020143377A1 - 一种行业识别模型确定方法和装置 - Google Patents

一种行业识别模型确定方法和装置 Download PDF

Info

Publication number
WO2020143377A1
WO2020143377A1 PCT/CN2019/124199 CN2019124199W WO2020143377A1 WO 2020143377 A1 WO2020143377 A1 WO 2020143377A1 CN 2019124199 W CN2019124199 W CN 2019124199W WO 2020143377 A1 WO2020143377 A1 WO 2020143377A1
Authority
WO
WIPO (PCT)
Prior art keywords
industry
merchant
transaction
sample
data
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.)
Ceased
Application number
PCT/CN2019/124199
Other languages
English (en)
French (fr)
Inventor
王立
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of WO2020143377A1 publication Critical patent/WO2020143377A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q20/42—Confirmation, e.g. check or permission by the legal debtor of payment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions

Definitions

  • This specification relates to the field of Internet technology, and in particular, to a method and device for determining an industry recognition model.
  • the payment platform may adopt different access rules. For example: Merchants are an important part of Alipay's membership system. In order to support the cooperation between catering merchants and Alipay, Alipay stipulates that all catering merchants can enjoy Alipay's zero fee rate when they access Alipay cash register. At the same time, for the benefit of many non-catering businesses, they may forge businessmen's headshots, business names, etc. to apply for zero-rate activities. In response to such risks, although there have been manual customer service investigations, a number of non-catering merchants will still be missed. In order to avoid forgery of merchants who do not meet the conditions. A method of merchant industry identification is needed.
  • the embodiments of the present specification provide an industry identification model determination method and device.
  • the technical solution is as follows:
  • a method for determining an industry identification model includes:
  • the industry characteristic data of the sample merchant is extracted from the transaction information set through a predefined data extraction strategy, and the industry characteristic data describes the business form of the industry of the sample merchant at different time points through the transaction information of the sample merchant at different time points ;
  • a recognition model for identifying the merchant industry is trained.
  • a method for determining a merchant industry based on an industry identification model includes:
  • an apparatus for determining an industry identification model includes:
  • Sample determination module used to obtain at least one sample merchant of a determined industry type
  • Information acquisition module used to acquire the transaction information set containing the information of each transaction of the sample merchant within a preset time period;
  • Data extraction module used to extract the industry characteristic data of the sample merchant from the transaction information set through a pre-defined data extraction strategy.
  • the industry characteristic data describes the industry of the sample merchant through the transaction information of the sample merchant at different time points. Business form at different time points;
  • Model training module used to take the industry characteristic data of the sample merchant as input data, and train the recognition model used to identify the merchant industry.
  • a merchant industry determination device based on an industry identification model includes:
  • Information acquisition module used to acquire the transaction information set that contains the information of each transaction of the merchant to be checked within a preset time period;
  • Data extraction module used to extract industry characteristic data of the merchant to be checked from the transaction information set through a predefined data extraction strategy
  • Industry identification module used to input the industry characteristic data of the merchant to be tested into the trained industry identification model to determine the industry of the merchant to be tested.
  • a computer device which includes a memory, a processor, and a computer program stored on the memory and executable on the processor, where the processor implements a A method for determining an industry identification model, the method includes:
  • the industry characteristic data of the sample merchant is extracted from the transaction information set through a predefined data extraction strategy, and the industry characteristic data describes the business form of the industry of the sample merchant at different time points through the transaction information of the sample merchant at different time points ;
  • a recognition model for identifying the merchant industry is trained.
  • a computer device including a memory, a processor, and a computer program stored on the memory and executable on the processor, wherein the processor implements a A method for determining the merchant industry based on an industry identification model, the method includes:
  • the technical solutions provided in the embodiments of the present specification provide a method for determining an industry identification model, first obtaining a sample merchant of a determined industry type, and extracting from the transaction information set a pre-defined data extraction strategy to describe the location of the sample merchant
  • the industry feature data of the business form of the industry is trained through the industry feature data to identify the recognition model of the merchant industry.
  • the identification model can be used to determine the industry of the merchant by identifying the industry characteristics. Compared with the prior art summary based on the thesaurus-based screening strategy, it is difficult for merchants of the fake industry type to avoid the identification of the industry characteristics of this application.
  • any one of the embodiments of this specification does not need to achieve all the above-mentioned effects.
  • FIG. 1 is a schematic diagram of an industry identification model determination method shown in an exemplary embodiment of this specification
  • FIG. 2 is a schematic diagram of transaction data shown in an exemplary embodiment of this specification
  • FIG. 3 is a flowchart of a merchant industry identification method based on an industry identification model shown in an exemplary embodiment of this specification;
  • FIG. 4 is a flowchart of a method for determining a catering industry recognition model shown in an exemplary embodiment of this specification
  • FIG. 5 is a schematic diagram of a heat of funds for transaction data shown in an exemplary embodiment of this specification
  • FIG. 6 is a schematic diagram of a model network configuration shown in an exemplary embodiment of this specification.
  • FIG. 7 is a schematic diagram of an apparatus for determining an industry recognition model shown in an exemplary embodiment of this specification.
  • FIG. 8 is a schematic diagram of a merchant industry identification device based on an industry identification model according to an exemplary embodiment of this specification
  • FIG. 9 is a schematic structural diagram of a computer device shown in an exemplary embodiment of this specification.
  • first, second, third, etc. may be used to describe various information in this specification, the information should not be limited to these terms. These terms are only used to distinguish the same type of information from each other.
  • first information may also be referred to as second information, and similarly, the second information may also be referred to as first information.
  • word “if” as used herein can be interpreted as "when” or “when” or “in response to a determination”.
  • the embodiments of the present specification provide an industry identification model determination method, and an industry identification model determination device for executing the method. Determine the industry of the merchant by training a model that can identify the industry.
  • the method may include the following steps:
  • the sample merchants of the determined industry type can be set according to the application scenario. For example: If the application scenario is a merchant connected to the Alipay electronic payment platform, and the merchant industry type is the catering industry, you can obtain the corresponding type of sample merchants from word-of-mouth merchants in various industries on the Alipay platform.
  • a target industry type that needs to be identified by the model can be set, such as the catering industry type, when acquiring sample merchants, the industry type with a higher proportion can be the catering industry merchant as a positive sample, and the collection ratio is more
  • the low industry type is the non-catering merchants as a negative sample. The ability to identify whether the merchant is a restaurant industry with a key training model.
  • the data extraction strategy needs to be specified in advance according to the type of industry, and different industry types correspond to different data extraction strategies.
  • different types of industry feature data corresponding to different industries are obtained.
  • the industry characteristic data may include at least one type of transaction information for each unit time of the sample merchant within a predetermined time period.
  • FIG. 2 it is a schematic diagram of one of the extracted industry feature data, that is, one of the transaction data (such as turnover data) of each hour within a single day of different merchants is obtained, and the extracted result is used as the business feature data.
  • five types of transaction data can be set as business characteristic data for a certain type of industry.
  • the five types of transaction data are the total amount of payment received by the sample merchant in a single hour, the number of transactions in a single hour, a single
  • the average transaction amount per hour, the variance of the transaction amount per hour and the number of transactions per hour, these five categories of data are used to characterize the business form of the catering merchants.
  • the industry type is the catering industry
  • any type of transaction information of the same sample merchant can also be expressed as a transaction image. Coordinates are used to indicate the date of occurrence of the transaction, the vertical axis of the transaction image is used to indicate different time points within each occurrence date, and the color of the pixels in the transaction image is used to indicate the value of the transaction information of the category size.
  • S104 Use the industry characteristic data of the sample merchant as input data to train a recognition model for identifying the merchant industry.
  • the identified industry type and corresponding industry feature data of the sample merchant are used as a set of training data to train a recognition model for identifying the merchant industry.
  • the transaction image data expressing different types of transaction characteristics of the same sample merchant can also be used as input data of different channels of the CNN neural network, and trained for recognition The identification model of the merchant industry.
  • the specific process of the training method of the industry recognition model can be:
  • the three-dimensional vector sequence is used as input data of different channels, input to the convolution pooling layer of the CNN neural network, and the output result after repeated convolution pooling is used as a feature vector;
  • the feature vector is expanded into a one-dimensional vector input CNN neural network fully connected layer to complete the learning of the industry characteristics of the sample merchant by the industry recognition model.
  • step S301 Acquire a transaction information set containing information about each transaction of the merchant to be checked within a preset time period; for specific implementation, refer to step S102;
  • step S302 extract industry characteristic data of the merchant to be checked from the transaction information set through a predefined data extraction strategy; for specific implementation, refer to step S103;
  • S303 Input the industry feature data of the merchant to be tested into the trained industry recognition model to determine the industry of the merchant to be tested.
  • industry characteristic data of merchants of unknown industry types is obtained, and the industry characteristic data is input into an industry recognition model that has been trained for a specific industry type, and then it can be determined whether the unknown merchant belongs to the specific industry type.
  • the corresponding industry recognition model can be trained according to the industry characteristics of the industry.
  • the following uses the catering industry type as an example to introduce more specific model training methods. Refer to Figure 4 and include the following steps:
  • the transaction data of these five categories are the total amount of payments received by the sample merchant in a single hour, the number of transactions in a single hour, the average transaction amount in a single hour, the variance of the transaction amount in a single hour, and the number of transactions in a single hour.
  • Various types of data are used to describe the business form of catering merchants.
  • 7 days and 24 hours are one of the time division methods that can be selected, and other time division methods can be selected according to the actual situation during specific implementation.
  • the five types of transaction data such as the total amount received, the number of transactions, the average transaction amount, the variance of the transaction amount, and the number of transactions, can also be increased, decreased, or changed to other types of data according to the actual situation.
  • the above time division and type selection methods do not limit this embodiment.
  • the training model can be modeled after the VGG-Net network structure, using [convolution-activation-pooling]*3-Dropout-full connection-Dropout-classification structure.
  • a CNN neural network is used to repeatedly convolution the input sequence to obtain a capital sequence feature vector including 5 transaction data types.
  • the deep neural network industry recognition model based on the transaction heat map can check the merchants that meet the catering transaction pattern, that is, select the merchants whose transactions are concentrated in the morning, middle and evening meals, and the transaction amount is small.
  • the fake catering merchants can hardly move away from the circumvention strategy.
  • the model effect will not decline with time, and there is no need to periodically retrain the model.
  • an embodiment of the present specification also provides an apparatus for determining an industry identification model.
  • the apparatus may include: a sample determination module 710, an information acquisition module 720, a data extraction module 730, and a model Training module 740.
  • Sample determination module 710 used to obtain at least one sample merchant of a determined industry type
  • Information acquisition module 720 used to acquire a transaction information set that contains information about each transaction of a sample merchant within a preset time period;
  • Data extraction module 730 used to extract the industry characteristic data of the sample merchant from the transaction information set through a predefined data extraction strategy, the industry characteristic data describes the industry of the sample merchant through the transaction information of the sample merchant at different time points Business patterns at different points in time;
  • Model training module 740 used to take the industry characteristic data of the sample merchant as input data, and train a recognition model for identifying the merchant industry.
  • the embodiment of the present specification also provides a merchant industry determination device based on the industry identification model of claim 10, as shown in FIG. 8, the device includes: an information acquisition module 810, a data extraction module 820, and an industry Identification module 830.
  • Information acquisition module 810 used to acquire a transaction information set containing information about each transaction of the merchant to be checked within a preset time period;
  • Data extraction module 820 used to extract industry characteristic data of the merchant to be checked from the transaction information set through a predefined data extraction strategy
  • Industry identification module 830 used to input the industry characteristic data of the merchant to be tested into the trained industry identification model to determine the industry of the merchant to be tested.
  • Embodiments of the present specification also provide a computer device, which includes at least a memory, a processor, and a computer program stored on the memory and executable on the processor, where the processor implements the program to implement the aforementioned method for determining an industry identification model ,
  • the method includes at least:
  • the industry characteristic data of the sample merchant is extracted from the transaction information set through a predefined data extraction strategy, and the industry characteristic data describes the business form of the sample merchant's industry at different time points through the sample merchant's transaction information at different time points ;
  • a recognition model for identifying the merchant industry is trained.
  • Embodiments of the present specification also provide a computer device, which includes at least a memory, a processor, and a computer program stored on the memory and executable on the processor, where the processor implements the program to implement an identification based on the foregoing industry
  • a computer device which includes at least a memory, a processor, and a computer program stored on the memory and executable on the processor, where the processor implements the program to implement an identification based on the foregoing industry
  • a method for determining the merchant industry of the model includes:
  • the device may include: a processor 1110, a memory 1120, an input/output interface 1130, a communication interface 1140, and a bus 1150.
  • the processor 1110, the memory 1120, the input/output interface 1130 and the communication interface 1140 realize the communication connection among the devices through the bus 1150.
  • the processor 1110 may be implemented by a general-purpose CPU (Central Processing Unit, central processing unit), a microprocessor, an application-specific integrated circuit (Application Specific Integrated Circuit, ASIC), or one or more integrated circuits, etc. Programs to implement the technical solutions provided by the embodiments of this specification.
  • the memory 1120 may be implemented in the form of ROM (Read Only Memory, Read Only Memory), RAM (Random Access Memory, Random Access Memory), static storage device, dynamic storage device, etc.
  • the memory 1120 may store an operating system and other application programs.
  • related program codes are stored in the memory 1120 and called and executed by the processor 1110.
  • the input/output interface 1130 is used to connect an input/output module to realize information input and output.
  • the input/output/module can be configured as a component in the device (not shown in the figure), or can be externally connected to the device to provide corresponding functions.
  • the input device may include a keyboard, a mouse, a touch screen, a microphone, various sensors, etc.
  • the output device may include a display, a speaker, a vibrator, an indicator light, and the like.
  • the communication interface 1140 is used to connect a communication module (not shown in the figure) to implement communication interaction between the device and other devices.
  • the communication module can realize communication through a wired method (such as USB, network cable, etc.), and can also realize communication through a wireless method (such as mobile network, WIFI, Bluetooth, etc.).
  • the bus 1150 includes a path for transferring information between various components of the device (for example, the processor 1110, the memory 1120, the input/output interface 1130, and the communication interface 1140).
  • the device may also include necessary for normal operation Other components.
  • the above-mentioned device may also include only the components necessary for implementing the solutions of the embodiments of the present specification, rather than including all the components shown in the figures.
  • Embodiments of the present specification also provide a computer-readable storage medium on which a computer program is stored.
  • the program is executed by a processor, the foregoing method for determining an industry recognition model is implemented.
  • the method at least includes:
  • a target display position is calculated according to the offset distance, and the graphic is encoded at the target display position for display.
  • Computer-readable media including permanent and non-permanent, removable and non-removable media, can store information by any method or technology.
  • the information may be computer readable instructions, data structures, modules of programs, or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), flash memory or other memory technologies, read-only compact disc read-only memory (CD-ROM), digital versatile disc (DVD) or other optical storage, Magnetic tape cassettes, magnetic tape magnetic disk storage or other magnetic storage devices or any other non-transmission media can be used to store information that can be accessed by computing devices.
  • computer-readable media does not include temporary computer-readable media (transitory media), such as modulated data signals and carrier waves.
  • the relevant part can be referred to the description of the method embodiment.
  • the device embodiments described above are only schematic, wherein the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, may be located One place, or can be distributed to multiple network elements. Some or all of the modules can be selected according to actual needs to achieve the objectives of the solution in this specification. Those of ordinary skill in the art can understand and implement without paying creative labor.
  • the embodiments in this specification are described in a progressive manner.
  • the same or similar parts between the embodiments can be referred to each other, and each embodiment focuses on the differences from other embodiments.
  • the description is relatively simple, and the relevant part can be referred to the description of the method embodiment.
  • the device embodiments described above are only schematics, where the modules described as separate components may or may not be physically separated, and the functions of the modules may be the same when implementing the embodiment solutions of this specification Or multiple software and/or hardware. Part or all of the modules may also be selected according to actual needs to achieve the objectives of the solution of this embodiment. Those of ordinary skill in the art can understand and implement without paying creative labor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)
  • Transplanting Machines (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种行业识别模型确定方法和装置。先获取已确定行业类型的样本商户（S101），通过预定义的数据提取策略从所述交易信息集合中提取出描述样本商户所在行业的营业形态的行业特征数据（S103），通过行业特征数据训练用于识别商户行业的识别模型（S104）。进而可利用识别模型通过识别行业特征确定商户的所在行业，和汇总基于词库的筛选策略相比，虚假行业类型商户难以规避上述方法对于行业特征的识别。

Description

一种行业识别模型确定方法和装置 技术领域
本说明书涉及互联网技术领域，尤其涉及一种行业识别模型确定方法和装置。
背景技术
随着电子支付的发展，很多商户选择接入支付平台，交易时买家可通过扫码等方式进行电子支付。而对于不同行业的商家，支付平台可能会采用不同的接入规则。举例说明：商户是支付宝会员体系中重要的一部分，为了支持餐饮商户和支付宝的合作，支付宝规定，所有餐饮商户接入支付宝收银即可享受支付宝收款零费率。而与此同时，很多非餐饮商家为了利益，可能会伪造商户门头照、商户名称等申请参与零费率活动。针对这类风险，虽然已经有人工客服的排查，还是会漏过一批非餐饮商户。为了避免不符合条件的商户伪造信息。需要一种商户行业识别方法。
对于商户的行业识别只有基于关键词的识别策略，即维护不同行业对应的相关词库，对提交审核商户的商户名称，商品名称进行排查，但是这种方法比较容易被对方规避，同时还需要定期的对词库进行扩充。
发明内容
针对上述技术问题，本说明书实施例提供一种行业识别模型确定方法和装置，技术方案如下：
根据本说明书实施例的第一方面，提供一种行业识别模型确定方法，该方法包括：
获取至少一个已确定行业类型的样本商户；
获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
根据本说明书实施例的第二方面，提供一种基于行业识别模型的商户行业确定方 法，该方法包括：
获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
根据本说明书实施例的第三方面，提供一种行业识别模型确定装置，该装置包括：
样本确定模块：用于获取至少一个已确定行业类型的样本商户；
信息获取模块：用于获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
数据提取模块：用于通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
模型训练模块：用于将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
根据本说明书实施例的第四方面，提供一种基于行业识别模型的商户行业确定装置，该装置包括：
信息获取模块：用于获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
数据提取模块：用于通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
行业识别模块：用于将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
根据本说明书实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现一种行业识别模型确定方法，该方法包括：
获取至少一个已确定行业类型的样本商户；
获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
根据本说明书实施例的第六方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现一种基于行业识别模型的商户行业确定方法，该方法包括：
获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
本说明书实施例所提供的技术方案，提供了一种行业识别模型确定方法，先获取已确定行业类型的样本商户，通过预定义的数据提取策略从所述交易信息集合中提取出描述样本商户所在行业的营业形态的行业特征数据，通过行业特征数据训练用于识别商户行业的识别模型。进而可利用识别模型通过识别行业特征确定商户的所在行业，和现有技术汇总基于词库的筛选策略相比，虚假行业类型商户难以规避对于本申请对于行业特征的识别。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。
此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本说明书一示例性实施例示出的行业识别模型确定方法的一种示意图；
图2是本说明书一示例性实施例示出的交易数据的一种示意图；
图3是本说明书一示例性实施例示出的基于行业识别模型的商户行业识别方法的一种流程图；
图4是本说明书一示例性实施例示出的餐饮行业识别模型的确定方法的一种流程图；
图5是本说明书一示例性实施例示出的一种交易数据的资金热力示意图；
图6是本说明书一示例性实施例示出的模型网络构成示意图；
图7是本说明书一示例性实施例示出的行业识别模型确定装置的一种示意图；
图8是本说明书一示例性实施例示出的基于行业识别模型的商户行业识别装置的一种示意图；
图9是本说明书一示例性实施例示出的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
随着电子支付的发展，很多商户选择接入支付平台，交易时买家可通过扫码等方式进行电子支付。而对于不同行业的商家，支付平台可能会采用不同的接入规则。举例 说明：商户是支付宝会员体系中重要的一部分，为了支持餐饮商户和支付宝的合作，支付宝规定，所有餐饮商户接入支付宝收银即可享受支付宝收款零费率。而与此同时，很多非餐饮商家为了利益，可能会伪造商户门头照、商户名称等申请参与零费率活动。针对这类风险，虽然已经有人工客服的排查，还是会漏过一批非餐饮商户。为了避免不符合条件的商户伪造信息。需要一种商户行业识别方法。
对于商户的行业识别只有基于关键词的识别策略，即维护不同行业对应的相关词库，对提交审核商户的商户名称，商品名称进行排查，但是这种方法比较容易被对方规避，同时还需要定期的对词库进行扩充。
针对以上问题，本说明书实施例提供一种行业识别模型确定方法，以及一种用于执行该方法的行业识别模型确定装置。通过训练能够进行行业识别的模型来判断商户的行业。
下面对本实施例涉及的行业识别模型确定方法进行详细说明，参见图1所示，该方法可以包括以下步骤：
S101，获取至少一个已确定行业类型的样本商户；
获取已确定行业类型的样本商户的方式有多种方式，可以根据应用场景自行设定。举例说明：若应用场景为支付宝电子支付平台接入的商户，商户行业类型为餐饮行业，则可从支付宝平台各个行业的口碑商户中获取对应类型的样本商户。
进一步地，可设定一种需要让模型重点识别的目标行业类型，如餐饮行业类型，则在获取样本商户时，可采集比例较高的行业类型为餐饮行业的商户作为正样本，采集比例较低的行业类型为非餐饮行业的商户作为负样本。以重点训练模型识别商户是否为餐饮行业的能力。
S102，获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
S103，通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
其中，数据提取策略需要预先根据行业类型进行规定，不同的行业类型对应着不同的数据提取策略。通过将样本商户的交易信息进行整合提取，获取不同行业对应的不同形式的行业特征数据。
其中，行业特征数据可包括样本商户在预定时间段内，每个单位时间的至少一种类别的交易信息。参见图2，为其中一种提取出的行业特征数据的示意图，即获取不同商户单日内每个小时段的其中一种交易数据(如营业额数据)，将提取结果作为营业特征数据。
举例说明，可为某一类型行业设定5种类别的交易数据作为营业特征数据，这5种类别的交易数据分别为该样本商户单个小时内收款的总金额、单个小时的交易次数、单个小时均笔交易金额、单个小时交易金额方差以及单个小时的交易人数，这五种类别的数据用于刻画餐饮商户的营业形态。当行业类型为餐饮行业时，通过上述行业类型数据可以看出，大部分的餐饮商户交易集中在早上晚三餐，且交易金额都比较少。提取上述交易数据作为行业特征数据能够看出餐饮行业的营业形态。
进一步地，通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据后，还可将同一样本商户任一类别的交易信息表达为交易图像，所述交易图像的横坐标用于表示交易的发生日期，所述交易图像的纵坐标用于表示每个发生日期内的不同发生时间点，所述交易图像中像素点的颜色用于表示所述类别的交易信息的数值大小。
S104，将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
具体地，将样本商户的已确定的行业类型和对应的行业特征数据作为一组训练数据，训练用于识别商户行业的识别模型。
如上文所述，将同一样本商户任一类别的交易信息表达为交易图像后，还可将表达同一样本商户不同类型交易特征的交易图像数据作为CNN神经网络不同通道的输入数据，训练用于识别商户行业的识别模型。
其中，行业识别模型的训练方式具体过程可为：
将表达不同类型交易特征的交易图像数据分别处理为对应的一维向量序列；
将所述不同一维向量序列分别进行数据标准化处理，并将数据标准化处理后的不同一维向量序列整合重构为一个三维向量序列；
将所述三维向量序列作为不同通道的输入数据，输入CNN神经网络的卷积池化层，将反复卷积池化后的输出结果作为特征向量；
将特征向量展开为一维向量输入CNN神经网络全连接层，以完成行业识别模型对于所述样本商户的行业特征的学习。
基于上述训练出的行业识别模型，可进一步针对未知类型的商户进行行业识别方法，参见图3，包括以下步骤：
S301，获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；具体实施方式参照步骤S102；
S302，通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；具体实施方式参照步骤S103；
S303，将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
具体地，获取未知行业类型的商户的行业特征数据，将该行业特征数据输入已针对特定行业类型训练完成的行业识别模型，进而可判断出该未知商户是否属于该特定行业类型。
针对不同类型的商户行业，均可根据该行业的行业特征训练对应的行业识别模型，下面以餐饮行业类型举例，进行更具体的模型训练方法介绍，参考图4，包括如下步骤：
S401，获取至少一个餐饮行业的样本商户；
S402，将每个样本商户预定天数内，每小时内预定类型的交易数据合并成为天数＊24＊类型数量的交易图像；
具体地，将每个样本商户最近七天，每小时的5种交易数据合并成为7＊24＊5的资金热力图。
其中，这5种类别的交易数据分别为该样本商户单个小时内收款的总金额、单个小时的交易次数、单个小时均笔交易金额、单个小时交易金额方差以及单个小时的交易人数，这五种类别的数据用于刻画餐饮商户的营业形态。
将上述交易转化为交易图像数据，参见图5，为六个餐饮商户7天内交易金额特征对应的热力图，其中横纵坐标为交易发生的日期和具体的时间节点，图像中像素点的颜色深浅代表了交易金额的数值，具体对应情况见右侧的色条。
可以看出，大部分的餐饮商户交易集中在早上晚三餐，且交易金额都比较少。此即为餐饮商户的营业形态。
需要注意，7天和24小时都是其中一种可以选择的时间划分方式，具体实施时可根据实际情况选择其他的时间划分方式。收款的总金额、交易次数、均笔交易金额、交易金额方差以及交易人数这5种类别的交易数据也可以根据实际情况增加，减少或变动为其他类型的数据。上述时间划分和类型选择方式均不对本实施例造成限制。
S403，将5种不同资金热力图数据作为五个通道的输入数据，训练用于识别商户行业的识别模型。
具体地，该训练模型可仿照VGG-Net网络结构，采用[卷积-激活-池化]*3-Dropout-全连接-Dropout-分类的结构。
其中，在本实施例中，数据流的整体流程如下：
a)将餐饮商户七天内每小时内收款的总金额、每小时内的交易次数、每小时内均笔交易金额、每小时内交易金额方差以及每小时的内的交易人数作为模型的五个通道输入，五条序列都为7*24长的一维向量。
b)将五条序列信息处理成[-1,1]区间内数值，并重构成为7*24*5的三维向量。其中，金额序列中大于1000的金额设置为1000，然后将(金额-500)/1000作为输入序列。
c)参见图6，采用CNN神经网络对输入序列反复卷积池化，得到包括5种交易数据类型的资金序列特征向量。
d)将资金序列特征向量展开成为一维向量输入全连接神经网络进行分类训练。
通过上述流程训练出针对餐饮行业的识别模型后，在后续应用阶段，仍使用上述a，b步骤清洗出3维交易数据，将清洗出的数据输入训练好的模型产出评价分数，并将评价分数不符合标准的高危商户返回人工客服进行复审。
可以看出，该基于交易热力图的深度神经网络行业识别模型，可以对符合餐饮交易形态的商户进行排查，即选择出交易集中在早中晚三餐、交易金额较小的商户。和基于词库的商户名称筛选策略相比，虚假餐饮商户难移规避策略，同时模型效果不会随着时间衰退，不用定期重训模型。
相应于上述方法实施例，本说明书实施例还提供一种行业识别模型确定方法装置，参见图7所示，所述装置可以包括：样本确定模块710，信息获取模块720，数据提取模块730和模型训练模块740。
样本确定模块710：用于获取至少一个已确定行业类型的样本商户；
信息获取模块720：用于获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
数据提取模块730：用于通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
模型训练模块740：用于将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
相应于上述方法实施例，本说明书实施例还提供一种基于权利要求10行业识别模型的商户行业确定装置，参见图8所示，所述装置包括：信息获取模块810，数据提取模块820和行业识别模块830。
信息获取模块810：用于获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
数据提取模块820：用于通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
行业识别模块830：用于将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述行业识别模型确定方法，所述方法至少包括：
获取至少一个已确定行业类型的样本商户；
获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现一种基于前述行业识别模型的商户行业确定方法，所述方法包括：
获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
图9示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1110、存储器1120、输入/输出接口1130、通信接口1140和总线1150。其中处理器1110、存储器1120、输入/输出接口1130和通信接口1140通过总线1150实现彼此之间在设备内部的通信连接。
处理器1110可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1120可以采用ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1120可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1120中，并由处理器1110来调用执行。
输入/输出接口1130用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1140用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1150包括一通路，在设备的各个组件(例如处理器1110、存储器1120、输入/输出接口1130和通信接口1140)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1110、存储器1120、输入/输出接口1130、通信接口1140以及总线1150，但是在具体实施过程中，该设备还可以包括实现 正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的行业识别模型确定方法，所述方法至少包括：
检测到调用图形编码页面后，启动当前设备的前置图像采集模块进行图像采集；
对采集到的图像进行图像识别，若所述采集到的图像中包含预置的扫码模块的特征，则计算所述扫码模块相对于图形编码当前展示位置的偏移距离；
根据所述偏移距离计算目标展示位置，将所述图形编码在所述目标展示位置进行展示。
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。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时 可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。

Claims (20)

  1. 一种行业识别模型确定方法，所述方法包括：
    获取至少一个已确定行业类型的样本商户；
    获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
    通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
    将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
  2. 如权利要求1所述的方法，所述样本商户的行业特征数据，包括样本商户在预定时间段内，每个单位时间的至少一种类别的交易信息。
  3. 如权利要求2所述的方法，所述预定时间段内，每个单位时间内至少一种类别的交易信息，包括：在预定时间段内，每个单位时间的收款总金额信息、交易次数信息、均笔交易金额信息、交易金额方差信息和交易人数信息。
  4. 如权利要求1所述的方法，所述通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据后，还包括：
    将同一样本商户任一类别的交易信息表达为交易图像，所述交易图像的横坐标用于表示交易的发生日期，所述交易图像的纵坐标用于表示每个发生日期内的不同发生时间点，所述交易图像中像素点的颜色用于表示所述类别的交易信息的数值大小。
  5. 如权利要求4所述的方法，所述将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型，包括：
    将表达同一样本商户不同类型交易特征的交易图像数据作为CNN神经网络不同通道的输入数据，训练用于识别商户行业的识别模型。
  6. 如权利要求4所述的方法，所述行业识别模型的训练方式，包括：
    将表达不同类型交易特征的交易图像数据分别处理为对应的一维向量序列；
    将所述不同一维向量序列分别进行数据标准化处理，并将数据标准化处理后的不同一维向量序列整合重构为一个三维向量序列；
    将所述三维向量序列作为不同通道的输入数据，输入CNN神经网络的卷积池化层，将反复卷积池化后的输出结果作为特征向量；
    将特征向量展开为一维向量输入CNN神经网络全连接层，以完成行业识别模型对于所述样本商户的行业特征的学习。
  7. 如权利要求1所述的方法，所述已确定行业类型的样本商户为已确定为餐饮行 业的样本商户，所述样本商户的营业形态为，样本商户发生交易的时间集中在单日早中晚单位时间内，且交易金额在预设阈值之下。
  8. 一种基于权利要求1行业识别模型的商户行业确定方法，所述方法包括：
    获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
    通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
    将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
  9. 如权利要求8所述的方法，所述将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业，包括：
    将待检验商户的行业特征数据输入训练好的行业识别模型，获取输出的评价分数，并将评价分数低于预设阈值的商户确定为问题商户。
  10. 一种行业识别模型确定装置，所述装置包括：
    样本确定模块：用于获取至少一个已确定行业类型的样本商户；
    信息获取模块：用于获取预设时间段内，包含样本商户每笔交易信息的交易信息集合；
    数据提取模块：用于通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据，所述行业特征数据通过样本商户在不同时间点的交易信息描述样本商户所在行业在不同时间点的营业形态；
    模型训练模块：用于将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型。
  11. 如权利要求10所述的装置，所述样本商户的行业特征数据，包括样本商户在预定时间段内，每个单位时间的至少一种类别的交易信息。
  12. 如权利要求11所述的装置，所述预定时间段内，每个单位时间内至少一种类别的交易信息，包括：在预定时间段内，每个单位时间的收款总金额信息、交易次数信息、均笔交易金额信息、交易金额方差信息和交易人数信息。
  13. 如权利要求10所述的装置，所述通过预定义的数据提取策略从所述交易信息集合中提取出样本商户的行业特征数据后，还包括：
    将同一样本商户任一类别的交易信息表达为交易图像，所述交易图像的横坐标用于表示交易的发生日期，所述交易图像的纵坐标用于表示每个发生日期内的不同发生时间点，所述交易图像中像素点的颜色用于表示所述类别的交易信息的数值大小。
  14. 如权利要求13所述的装置，将样本商户的行业特征数据作为输入数据，训练用于识别商户行业的识别模型，包括：
    将表达同一样本商户不同类型交易特征的交易图像数据作为CNN神经网络不同通道的输入数据，训练用于识别商户行业的识别模型。
  15. 如权利要求13所述的装置，所述行业识别模型的训练方式，包括：
    将表达不同类型交易特征的交易图像数据分别处理为对应的一维向量序列；
    将所述不同一维向量序列分别进行数据标准化处理，并将数据标准化处理后的不同一维向量序列整合重构为一个三维向量序列；
    将所述三维向量序列作为不同通道的输入数据，输入CNN神经网络的卷积池化层，将反复卷积池化后的输出结果作为特征向量；
    将特征向量展开为一维向量输入CNN神经网络全连接层，以完成行业识别模型对于所述样本商户的行业特征的学习。
  16. 如权利要求10所述的装置，所述已确定行业类型的样本商户为已确定为餐饮行业的样本商户，所述样本商户的营业形态为，样本商户发生交易的时间集中在单日早中晚单位时间内，且交易金额在预设阈值之下。
  17. 一种基于权利要求10行业识别模型的商户行业确定装置，所述装置包括：
    信息获取模块：用于获取预设时间段内，包含待检验商户每笔交易信息的交易信息集合；
    数据提取模块：用于通过预定义的数据提取策略从所述交易信息集合中提取出待检验商户的行业特征数据；
    行业识别模块：用于将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业。
  18. 如权利要求17所述的装置，将待检验商户的行业特征数据输入训练好的行业识别模型，以确定待检验商户的所在行业，包括：
    将待检验商户的行业特征数据输入训练好的行业识别模型，获取输出的评价分数，并将评价分数低于预设阈值的商户确定为问题商户。
  19. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1所述的方法。
  20. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求8所述的方法。
PCT/CN2019/124199 2019-01-08 2019-12-10 一种行业识别模型确定方法和装置 Ceased WO2020143377A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910014638.3A CN110009364B (zh) 2019-01-08 2019-01-08 一种行业识别模型确定方法和装置
CN201910014638.3 2019-01-08

Publications (1)

Publication Number Publication Date
WO2020143377A1 true WO2020143377A1 (zh) 2020-07-16

Family

ID=67165355

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/124199 Ceased WO2020143377A1 (zh) 2019-01-08 2019-12-10 一种行业识别模型确定方法和装置

Country Status (3)

Country Link
CN (2) CN110009364B (zh)
TW (1) TWI772673B (zh)
WO (1) WO2020143377A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990912A (zh) * 2021-03-19 2021-06-18 联想(北京)有限公司 基于付款码的数据验证方法及装置
CN114282992A (zh) * 2022-01-24 2022-04-05 中国工商银行股份有限公司 一种贷款信用风险测算方法及装置
CN114723509A (zh) * 2021-01-06 2022-07-08 腾讯科技（深圳）有限公司 一种对象状态的识别方法、装置、电子设备和存储介质
CN114881340A (zh) * 2022-05-19 2022-08-09 中国工商银行股份有限公司 一种商户分析方法及相关装置
CN115600112A (zh) * 2022-11-23 2023-01-13 北京结慧科技有限公司（Cn） 获取行为预测模型训练集的方法、装置、设备及介质
CN115796884A (zh) * 2022-11-28 2023-03-14 中国银行股份有限公司 信用卡套现行为的识别方法和识别装置
CN115994321A (zh) * 2021-10-15 2023-04-21 腾讯科技（深圳）有限公司 对象分类方法及相关装置
CN117216688A (zh) * 2023-11-07 2023-12-12 西南科技大学 基于层次标签树与神经网络的企业行业识别方法与系统
CN117272080A (zh) * 2023-10-08 2023-12-22 平安银行股份有限公司 风险商户聚类分析方法、装置、电子设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009364B (zh) * 2019-01-08 2021-08-24 创新先进技术有限公司 一种行业识别模型确定方法和装置
CN110796471A (zh) * 2019-08-29 2020-02-14 连连银通电子支付有限公司 一种信息处理方法及装置
CN111275095B (zh) * 2020-01-17 2022-12-06 支付宝(杭州)信息技术有限公司 一种对象类型识别方法及装置
CN116843375A (zh) * 2020-02-03 2023-10-03 支付宝(杭州)信息技术有限公司 商户画像的刻画方法、装置、电子设备、验证方法及系统
CN111368543B (zh) * 2020-02-18 2023-06-02 银联智策顾问（上海）有限公司 一种确定商户类别的方法及装置
CN111695979A (zh) * 2020-06-18 2020-09-22 税友软件集团股份有限公司 一种原材料与成品的关系分析方法、装置及设备
CN111753496B (zh) * 2020-06-22 2023-06-23 平安付科技服务有限公司 行业类别识别方法、装置、计算机设备及可读存储介质
CN111832658B (zh) * 2020-07-20 2023-08-18 北京百度网讯科技有限公司 兴趣点信息处理方法、装置、电子设备和存储介质
CN115393007A (zh) * 2020-10-12 2022-11-25 支付宝(杭州)信息技术有限公司 一种行业分类模型的训练方法及装置
CN113033658A (zh) * 2021-03-24 2021-06-25 中国建设银行股份有限公司 一种商户分类方法、装置、电子设备及介质
CN117493862A (zh) * 2022-07-20 2024-02-02 腾讯科技（深圳）有限公司 一种场景识别方法、装置、计算机设备和存储介质
CN116012130B (zh) * 2022-09-07 2025-12-19 中国建设银行股份有限公司 识别企业所属行业的方法、装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881783A (zh) * 2015-05-14 2015-09-02 中国科学院信息工程研究所 电子银行账户欺诈行为及风险检测方法与系统
CN105184574A (zh) * 2015-06-30 2015-12-23 电子科技大学 一种套用商户类别码欺诈行为的检测方法
CN109101989A (zh) * 2018-06-29 2018-12-28 阿里巴巴集团控股有限公司 一种商户分类模型构建和商户分类方法、装置及设备
CN110009364A (zh) * 2019-01-08 2019-07-12 阿里巴巴集团控股有限公司 一种行业识别模型确定方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172507A1 (en) * 2012-12-17 2014-06-19 Discover Financial Services Llc Merchant attrition predictive model
US10460347B2 (en) * 2012-12-30 2019-10-29 Certona Corporation Extracting predictive segments from sampled data
CN105931068A (zh) * 2015-12-30 2016-09-07 中国银联股份有限公司 一种持卡人消费画像的生成方法及装置
CN106997692B (zh) * 2017-05-26 2020-06-12 广州数字方舟信息技术股份有限公司 一种混合型航标报警智能检测方法
CN107292495A (zh) * 2017-05-27 2017-10-24 银联智惠信息服务（上海）有限公司 Mcc套码的识别方法、装置、计算机可读存储介质及系统
CN107545422B (zh) * 2017-08-02 2023-10-10 中国银联股份有限公司 一种套现检测方法及装置
CN108305099B (zh) * 2018-01-18 2021-11-19 创新先进技术有限公司 确定代购用户的方法及装置
CN108470253B (zh) * 2018-04-02 2021-08-03 腾讯科技（深圳）有限公司 一种用户识别方法、装置及存储设备
CN108564386B (zh) * 2018-04-28 2020-06-02 腾讯科技（深圳）有限公司 商户识别方法及装置、计算机设备及存储介质
CN108733778B (zh) * 2018-05-04 2022-05-17 百度在线网络技术（北京）有限公司 对象的行业类型识别方法和装置
CN108876465B (zh) * 2018-06-28 2022-02-01 创新先进技术有限公司 一种对商户进行经营模式分群的方法、装置和服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881783A (zh) * 2015-05-14 2015-09-02 中国科学院信息工程研究所 电子银行账户欺诈行为及风险检测方法与系统
CN105184574A (zh) * 2015-06-30 2015-12-23 电子科技大学 一种套用商户类别码欺诈行为的检测方法
CN109101989A (zh) * 2018-06-29 2018-12-28 阿里巴巴集团控股有限公司 一种商户分类模型构建和商户分类方法、装置及设备
CN110009364A (zh) * 2019-01-08 2019-07-12 阿里巴巴集团控股有限公司 一种行业识别模型确定方法和装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723509A (zh) * 2021-01-06 2022-07-08 腾讯科技（深圳）有限公司 一种对象状态的识别方法、装置、电子设备和存储介质
CN114723509B (zh) * 2021-01-06 2025-07-08 腾讯科技（深圳）有限公司 一种对象状态的识别方法、装置、电子设备和存储介质
CN112990912A (zh) * 2021-03-19 2021-06-18 联想(北京)有限公司 基于付款码的数据验证方法及装置
CN112990912B (zh) * 2021-03-19 2024-04-19 联想(北京)有限公司 基于付款码的数据验证方法及装置
CN115994321A (zh) * 2021-10-15 2023-04-21 腾讯科技（深圳）有限公司 对象分类方法及相关装置
CN114282992A (zh) * 2022-01-24 2022-04-05 中国工商银行股份有限公司 一种贷款信用风险测算方法及装置
CN114881340A (zh) * 2022-05-19 2022-08-09 中国工商银行股份有限公司 一种商户分析方法及相关装置
CN115600112A (zh) * 2022-11-23 2023-01-13 北京结慧科技有限公司（Cn） 获取行为预测模型训练集的方法、装置、设备及介质
CN115796884A (zh) * 2022-11-28 2023-03-14 中国银行股份有限公司 信用卡套现行为的识别方法和识别装置
CN117272080A (zh) * 2023-10-08 2023-12-22 平安银行股份有限公司 风险商户聚类分析方法、装置、电子设备及存储介质
CN117216688A (zh) * 2023-11-07 2023-12-12 西南科技大学 基于层次标签树与神经网络的企业行业识别方法与系统
CN117216688B (zh) * 2023-11-07 2024-01-23 西南科技大学 基于层次标签树与神经网络的企业行业识别方法与系统

Also Published As

Publication number Publication date
TWI772673B (zh) 2022-08-01
CN113988880A (zh) 2022-01-28
CN110009364B (zh) 2021-08-24
TW202026992A (zh) 2020-07-16
CN110009364A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
WO2020143377A1 (zh) 一种行业识别模型确定方法和装置
US20230260017A1 (en) Augmenting online transaction statements using e-commerce receipts
TWI654567B (zh) Method and apparatus for extracting specific information from standard cards
CN109658478B (zh) 一种提供企业画像的方法及系统
KR101856120B1 (ko) 이미지로부터 상가 발견
CN109165645A (zh) 一种图像处理方法、装置以及相关设备
WO2018001195A1 (zh) 数据风险控制的方法及装置
WO2020063114A1 (zh) 一种用户安全意识检测方法和装置
CN113989019A (zh) 识别风险的方法、装置、设备及存储介质
CN110390320A (zh) 一种包含有多张单据的影像信息的识别方法及系统
JP2018120591A (ja) 文書の向きの認識方法、認識装置及びニューラルネットワーク
CN113627411A (zh) 一种基于超分辨率的商品识别与价格匹配方法及系统
WO2020057305A1 (zh) 一种风险商户发现方法和装置
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN113239920A (zh) 交易风险识别方法、电子设备及相关产品
CN109102324B (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
US9129197B1 (en) Highlight-based bill processing
CN110675078A (zh) 上市公司风险诊断方法、系统、计算机终端及存储介质
CN117078358A (zh) 基于语音识别的元宇宙电商平台系统智能构建方法及系统
CN115455090B (zh) 生成统计报表的方法、装置、电子设备及存储介质
CN111553702A (zh) 一种支付风险识别方法及装置
CN110992076A (zh) 商家质量评价方法、装置、电子设备及可读存储介质
CN114120105A (zh) 门店商品陈列图像造假识别方法、装置、设备及介质
CN114461753A (zh) 地图数据融合方法、装置、电子设备及存储介质
JP2022029398A (ja) データ処理装置、データ処理方法及びデータ処理プログラム

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: 19909436

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: 19909436

Country of ref document: EP

Kind code of ref document: A1