CN106600021A - 账户被盗概率的确定方法和装置 - Google Patents
账户被盗概率的确定方法和装置 Download PDFInfo
- Publication number
- CN106600021A CN106600021A CN201510672587.5A CN201510672587A CN106600021A CN 106600021 A CN106600021 A CN 106600021A CN 201510672587 A CN201510672587 A CN 201510672587A CN 106600021 A CN106600021 A CN 106600021A
- Authority
- CN
- China
- Prior art keywords
- stolen
- account
- payment account
- predicted
- probability
- 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.)
- Pending
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提出一种账户被盗概率的确定方法和装置,上述账户被盗概率的确定方法包括:获得待预测支付账户的被盗预测指标;根据所述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率。本申请可以根据待预测支付账户的被盗预测指标确定上述待预测支付账户的被盗概率,从而可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
Description
技术领域
本申请涉及安全支付技术领域,尤其涉及一种账户被盗概率的确定方法和装置。
背景技术
随着电子商务的发展,网上支付成为用户经常使用的支付方式,这种情况下,支付账户的安全性成为用户关注的焦点,但是由于用户不良的使用习惯,例如:在网吧登陆支付账户,或者使用支付账户购买虚拟商品等,或者由于支付密码在多个网站使用等因素,很容易发生支付账户被盗的情况。
但是,现有技术并不能对用户的支付账户是否容易被盗进行提示,无法引导用户实施提高支付账户安全性的操作,用户体验较差。
发明内容
本申请的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种账户被盗概率的确定方法。该方法可以根据待预测支付账户的被盗预测指标确定上述待预测支付账户的被盗概率,从而可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
本申请的第二个目的在于提出一种账户被盗概率的确定装置。
为了实现上述目的,本申请第一方面实施例的账户被盗概率的确定方法,包括:获得待预测支付账户的被盗预测指标;根据所述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率。
本申请实施例的账户被盗概率的确定方法中,获得待预测支付账户的被盗预测指标之后,根据上述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率,从而可以实现对支付账户的被盗概率进行预测,可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
为了实现上述目的,本申请第二方面实施例的账户被盗概率的确定装置,包括:获得模块,用于获得待预测支付账户的被盗预测指标;确定模块,用于根据所述获得模块获得的待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率。
本申请实施例的账户被盗概率的确定装置中,获得模块获得待预测支付账户的被盗预测指标之后,确定模块根据上述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率,从而可以实现对支付账户的被盗概率进行预测,可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请账户被盗概率的确定方法一个实施例的流程图;
图2为本申请账户被盗概率的确定方法另一个实施例的流程图;
图3为本申请账户被盗概率的确定方法再一个实施例的流程图;
图4为本申请账户被盗概率的确定方法再一个实施例的流程图;
图5为本申请账户被盗概率的确定装置一个实施例的结构示意图;
图6为本申请账户被盗概率的确定装置另一个实施例的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1为本申请账户被盗概率的确定方法一个实施例的流程图,如图1所示,该账户被盗概率的确定方法可以包括:
步骤101,获得待预测支付账户的被盗预测指标。
其中,上述被盗预测指标可以包括:支付账户的使用习惯、账户安全性和账户使用环境信息等,具体而言,上述支付账户的使用习惯可以为:凌晨登录频次等信息;上述账户安全性可以为:是否安装数字证书和/或登录密码与支付密码是否一致等信息;上述账户环境信息可以为:是否在网吧登录过支付账户等信息。
当然,所述被盗预测指标并不仅限于此,上述被盗预测指标还可以包括上述待预测支付账户的其他安全性指标,在此不一一列举。
步骤102,根据上述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率。
具体地,获得上述待预测支付账户的被盗预测指标之后,可以将上述待预测支付账户的被盗预测指标代入账户被盗概率模型,确定上述待预测支付账户的被盗概率。
图2为本申请账户被盗概率的确定方法另一个实施例的流程图,如图2所示,步骤102之前,还可以包括:
步骤201,获得上述账户被盗概率模型。
本实施例中,步骤101与步骤201可以并行执行,也可以先后执行,本实施例对步骤101与步骤201的执行顺序不作限定,但本实施例以步骤201在步骤101之前执行为例示出。
图3为本申请账户被盗概率的确定方法再一个实施例的流程图,如图3所示,步骤201可以为:
步骤301,选择预定数量的支付账户。
其中,上述预定数量的大小可以在具体实现时根据实现需求和/或***性能等自行设定,本实施例对上述预定数量的大小不作限定。举例来说,假设支付账户为支付宝账户,则可以选择全部的支付宝账户,也可以选择部分支付宝账户。
步骤302,建立上述预定数量的支付账户的预测指标体系。
具体地,建立上述预定数量的支付账户的预测指标体系可以为:根据上述预定数量的支付账户的安全性指标建立上述预定数量的支付账户的预测指标体系。其中,上述安全性指标可以包括:支付账户的使用习惯、账户安全性和账户使用环境信息等。具体而言,上述支付账户的使用习惯可以为:凌晨登录频次等信息;上述账户安全性可以为:是否安装数字证书和/或登录密码与支付密码是否一致等信息;上述账户环境信息可以为:是否在网吧登录过支付账户等信息。
步骤303,根据上述预定数量的支付账户是否发生被盗和上述预测指标体系生成上述账户被盗概率模型。
具体地,根据上述预定数量的支付账户是否发生被盗和上述预测指标体系生成上述账户被盗概率模型可以为:根据上述预定数量的支付账户是否发生被盗和上述预测指标体系,通过回归算法拟合获得上述账户被盗概率模型。其中,上述回归算法可以为线性回归与逻辑回归(linear regression and logistic regression;以下简称:logit)算法,当然也可以采用其他的回归算法,本实施例对此不作限定。
具体地,可以先根据上述预定数量的支付账户是否发生被盗和上述预测指标体系建立训练样本集合,其中,上述训练样本集合可以为:
上述训练样本集合中,xi(i=1,2…,n)为预测指标体系中的各安全性指标,yj(j=1,2…,n)表示上述预定数量的支付账户是否发生被盗,其中,yj的值为“1”表示支付账户发生被盗,yj的值为“0”表示支付账户未发生被盗。举例来说,x11,x12,…,x1n为上述预定数量的支付账户中ID为1的账户的各安全性指标,y1=1表示ID为1的支付账户发生过被盗事件。
然后采用logit算法对上述训练样本集合进行拟合生成上述账户被盗概率模型,生成的账户被盗概率模型可以如式(1)所示。
其中,P为支付账户的被盗概率,Z=a1x1+a2x2+…+anxn,xi(i=1,2…,n)为预测指标体系中的各安全性指标,a1,a2,…,an为已知的拟合系数。
生成上述账户被盗概率模型之后,在步骤102需要确定待预测账户的被盗概率时,就可以将上述待预测支付账户的被盗预测指标代入式(1)计算获得待预测支付账户的被盗概率。
图4为本申请账户被盗概率的确定方法再一个实施例的流程图,如图4所示,步骤102之后,还可以包括:
步骤401,如果上述待预测支付账户的被盗概率大于或等于预定阈值,则对上述待预测支付账户被盗的风险性进行提示。
具体地,上述预定阈值可以在具体实现时根据实现需求和/或***性能等自行设定,本实施例对上述预定阈值的大小不作限定,举例来说,上述预定阈值可以为50%。
也就是说,如果上述待预测支付账户的被盗概率大于或等于预定阈值,则可以向使用上述待预测支付账户的用户提示,上述待预测支付账户被盗的风险性较高,进一步,可以引导上述用户实施提高该支付账户安全性的操作,以降低支付账户被盗的风险。
上述账户被盗概率的确定方法中,获得待预测支付账户的被盗预测指标之后,根据上述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率,从而可以实现对支付账户的被盗概率进行预测,可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
图5为本申请账户被盗概率的确定装置一个实施例的结构示意图,本实施例中的账户被盗概率的确定装置可以实现本申请图1-图4所示实施例的流程,如图5所示,上述账户被盗概率的确定装置可以包括:获得模块51和确定模块52;
获得模块51,用于获得待预测支付账户的被盗预测指标;其中,上述被盗预测指标可以包括:支付账户的使用习惯、账户安全性和账户使用环境信息等,具体而言,上述支付账户的使用习惯可以为:凌晨登录频次等信息;上述账户安全性可以为:是否安装数字证书和/或登录密码与支付密码是否一致等信息;上述账户环境信息可以为:是否在网吧登录过支付账户等信息。
当然,所述被盗预测指标并不仅限于此,上述被盗预测指标还可以包括上述待预测支付账户的其他安全性指标,在此不一一列举。
确定模块52,用于根据获得模块51获得的待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率。
具体地,获得模块51获得上述待预测支付账户的被盗预测指标之后,确定模块52可以将上述待预测支付账户的被盗预测指标代入账户被盗概率模型,确定上述待预测支付账户的被盗概率。
图6为本申请账户被盗概率的确定装置另一个实施例的结构示意图,与图5所示的账户被盗概率的确定装置相比,不同之处在于,获得模块51,还用于在确定模块52确定上述待预测支付账户的被盗概率之前,获得上述账户被盗概率模型。
其中,获得模块51可以包括:选择子模块511、建立子模块512和生成子模块513;
其中,选择子模块511,用于选择预定数量的支付账户;其中,上述预定数量的大小可以在具体实现时根据实现需求和/或***性能等自行设定,本实施例对上述预定数量的大小不作限定。举例来说,假设支付账户为支付宝账户,则可以选择全部的支付宝账户,也可以选择部分支付宝账户。
建立子模块512,用于建立选择子模块511选择的预定数量的支付账户的预测指标体系;其中,建立子模块512,具体用于根据上述预定数量的支付账户的安全性指标建立上述预定数量的支付账户的预测指标体系。其中,上述安全性指标可以包括:支付账户的使用习惯、账户安全性和账户使用环境信息等。具体而言,上述支付账户的使用习惯可以为:凌晨登录频次等信息;上述账户安全性可以为:是否安装数字证书和/或登录密码与支付密码是否一致等信息;上述账户环境信息可以为:是否在网吧登录过支付账户等信息。
生成子模块513,用于根据选择子模块511选择的预定数量的支付账户是否发生被盗和建立子模块512建立的预测指标体系生成上述账户被盗概率模型。其中,生成子模块513,具体用于根据上述预定数量的支付账户是否发生被盗和上述预测指标体系,通过回归算法拟合获得上述账户被盗概率模型。其中,上述回归算法可以为logit算法,当然也可以采用其他的回归算法,本实施例对此不作限定。
具体地,生成子模块513可以先根据上述预定数量的支付账户是否发生被盗和上述预测指标体系建立训练样本集合,其中,上述训练样本集合可以为:
上述训练样本集合中,xi(i=1,2…,n)为预测指标体系中的各安全性指标,yj(j=1,2…,n)表示上述预定数量的支付账户是否发生被盗,其中,yj的值为“1”表示支付账户发生被盗,yj的值为“0”表示支付账户未发生被盗。举例来说,x11,x12,…,x1n为上述预定数量的支付账户中ID为1的账户的各安全性指标,y1=1表示ID为1的支付账户发生过被盗事件。
然后生成子模块513采用logit算法对上述训练样本集合进行拟合生成上述账户被盗概率模型,生成的账户被盗概率模型可以如式(1)所示。
生成上述账户被盗概率模型之后,在确定模块52需要确定待预测账户的被盗概率时,就可以将上述待预测支付账户的被盗预测指标代入式(1)计算获得待预测支付账户的被盗概率。
进一步地,上述账户被盗概率的确定装置还可以包括:
提示模块53,用于在确定模块52确定上述待预测支付账户的被盗概率之后,如果上述待预测支付账户的被盗概率大于或等于预定阈值,则对上述待预测支付账户被盗的风险性进行提示。
具体地,上述预定阈值可以在具体实现时根据实现需求和/或***性能等自行设定,本实施例对上述预定阈值的大小不作限定,举例来说,上述预定阈值可以为50%。
也就是说,如果上述待预测支付账户的被盗概率大于或等于预定阈值,则提示模块53可以向使用上述待预测支付账户的用户提示,上述待预测支付账户被盗的风险性较高,进一步,可以引导上述用户实施提高该支付账户安全性的操作,以降低支付账户被盗的风险。
上述账户被盗概率的确定装置中,获得模块51获得待预测支付账户的被盗预测指标之后,确定模块52根据上述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定上述待预测支付账户的被盗概率,从而可以实现对支付账户的被盗概率进行预测,可以对用户的支付账户是否容易被盗进行提示,进而可以引导用户实施提高支付账户安全性的操作,提高了用户体验。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(Programmable Gate Array;以下简称:PGA),现场可编程门阵列(Field ProgrammableGate Array;以下简称:FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种账户被盗概率的确定方法,其特征在于,包括:
获得待预测支付账户的被盗预测指标;
根据所述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率之前,还包括:
获得所述账户被盗概率模型。
3.根据权利要求2所述的方法,其特征在于,所述获得所述账户被盗概率模型包括:
选择预定数量的支付账户;
建立所述预定数量的支付账户的预测指标体系;
根据所述预定数量的支付账户是否发生被盗和所述预测指标体系生成所述账户被盗概率模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预定数量的支付账户是否发生被盗和所述预测指标体系生成所述账户被盗概率模型包括:
根据所述预定数量的支付账户是否发生被盗和所述预测指标体系,通过回归算法拟合获得所述账户被盗概率模型。
5.根据权利要求3或4所述的方法,其特征在于,所述建立所述预定数量的支付账户的预测指标体系包括:
根据所述预定数量的支付账户的安全性指标建立所述预定数量的支付账户的预测指标体系。
6.根据权利要求5所述的方法,其特征在于,所述安全性指标包括:支付账户的使用习惯、账户安全性和账户使用环境信息。
7.根据权利要求1-4任意一项所述的方法,其特征在于,所述利用账户被盗概率模型确定所述待预测支付账户的被盗概率之后,还包括:
如果所述待预测支付账户的被盗概率大于或等于预定阈值,则对所述待预测支付账户被盗的风险性进行提示。
8.一种账户被盗概率的确定装置,其特征在于,包括:
获得模块,用于获得待预测支付账户的被盗预测指标;
确定模块,用于根据所述获得模块获得的待预测支付账户的被盗预测指标,利用账户被盗概率模型确定所述待预测支付账户的被盗概率。
9.根据权利要求8所述的装置,其特征在于,
所述获得模块,还用于在所述确定模块确定所述待预测支付账户的被盗概率之前,获得所述账户被盗概率模型。
10.根据权利要求9所述的装置,其特征在于,所述获得模块包括:
选择子模块,用于选择预定数量的支付账户;
建立子模块,用于建立所述选择子模块选择的预定数量的支付账户的预测指标体系;
生成子模块,用于根据所述选择子模块选择的预定数量的支付账户是否发生被盗和所述建立子模块建立的预测指标体系生成所述账户被盗概率模型。
11.根据权利要求10所述的装置,其特征在于,
所述生成子模块,具体用于根据所述预定数量的支付账户是否发生被盗和所述预测指标体系,通过回归算法拟合获得所述账户被盗概率模型。
12.根据权利要求10或11所述的装置,其特征在于,
所述建立子模块,具体用于根据所述预定数量的支付账户的安全性指标建立所述预定数量的支付账户的预测指标体系。
13.根据权利要求12所述的装置,其特征在于,所述安全性指标包括:支付账户的使用习惯、账户安全性和账户使用环境信息。
14.根据权利要求8-11任意一项所述的装置,其特征在于,还包括:
提示模块,用于在所述确定模块确定所述待预测支付账户的被盗概率之后,如果所述待预测支付账户的被盗概率大于或等于预定阈值,则对所述待预测支付账户被盗的风险性进行提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510672587.5A CN106600021A (zh) | 2015-10-16 | 2015-10-16 | 账户被盗概率的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510672587.5A CN106600021A (zh) | 2015-10-16 | 2015-10-16 | 账户被盗概率的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600021A true CN106600021A (zh) | 2017-04-26 |
Family
ID=58553792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510672587.5A Pending CN106600021A (zh) | 2015-10-16 | 2015-10-16 | 账户被盗概率的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600021A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN109922032A (zh) * | 2017-12-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 用于确定登录账户的风险的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768743A (zh) * | 2011-05-06 | 2012-11-07 | 乐活在线(北京)网络技术有限公司 | 在线支付***的账户安全评级方法及装置 |
CN104348810A (zh) * | 2013-08-05 | 2015-02-11 | 深圳市腾讯计算机***有限公司 | 被盗帐号的检测方法、装置及*** |
CN104852886A (zh) * | 2014-02-14 | 2015-08-19 | 腾讯科技(深圳)有限公司 | 用户帐号的保护方法及装置 |
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*** |
CN104954342A (zh) * | 2014-03-31 | 2015-09-30 | 腾讯科技(深圳)有限公司 | 一种安全评估方法,及装置 |
-
2015
- 2015-10-16 CN CN201510672587.5A patent/CN106600021A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768743A (zh) * | 2011-05-06 | 2012-11-07 | 乐活在线(北京)网络技术有限公司 | 在线支付***的账户安全评级方法及装置 |
CN104348810A (zh) * | 2013-08-05 | 2015-02-11 | 深圳市腾讯计算机***有限公司 | 被盗帐号的检测方法、装置及*** |
CN104852886A (zh) * | 2014-02-14 | 2015-08-19 | 腾讯科技(深圳)有限公司 | 用户帐号的保护方法及装置 |
CN104954342A (zh) * | 2014-03-31 | 2015-09-30 | 腾讯科技(深圳)有限公司 | 一种安全评估方法,及装置 |
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*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
US11244402B2 (en) | 2017-06-30 | 2022-02-08 | Advanced New Technologies Co., Ltd. | Prediction algorithm based attribute data processing |
CN109922032A (zh) * | 2017-12-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 用于确定登录账户的风险的方法和装置 |
CN109922032B (zh) * | 2017-12-13 | 2022-04-19 | 百度在线网络技术(北京)有限公司 | 用于确定登录账户的风险的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160397A (zh) | 训练精炼的机器学习模型 | |
EP3465418A1 (en) | Systems and methods for providing identity scores | |
CN105993028B (zh) | 用于内容推荐的方法、设备、以及*** | |
CN106471525A (zh) | 增强神经网络以生成附加输出 | |
Liang et al. | Credit risk and limits forecasting in e-commerce consumer lending service via multi-view-aware mixture-of-experts nets | |
CN105745663B (zh) | 包括机器学习快照评估的保护*** | |
KR20180072793A (ko) | 푸시 정보 대략 선택 정렬 방법, 디바이스 및 컴퓨터 저장 매체 | |
Goren et al. | A hybrid approach for the capacitated lot sizing problem with setup carryover | |
CN110378726A (zh) | 一种目标用户的推荐方法、***以及电子设备 | |
US11366745B2 (en) | Testing program code created in a development system | |
EP3382609A1 (en) | Risk assessment method, risk assessment program, and information processing device | |
CN104750731A (zh) | 一种获取完整用户画像的方法及装置 | |
US11042880B1 (en) | Authenticating users in the presence of small transaction volumes | |
CN115715385A (zh) | 用于预测体育运动中的队形的***和方法 | |
Sharma et al. | Learning from sets of items in recommender systems | |
KR20220144844A (ko) | 인터넷 밈 경제 | |
Yang et al. | Optimal computing budget allocation for ordinal optimization in solving stochastic job shop scheduling problems | |
CN106600021A (zh) | 账户被盗概率的确定方法和装置 | |
CN106339917A (zh) | 一种商品模型训练方法及装置 | |
CN107122482A (zh) | 一种为项目所有人推荐专利代理机构的方法 | |
Xiao et al. | Practical two-stage bottom-up approach with a new optimization objective for infrastructure maintenance management | |
Abaza | Iterative linear approach for nonlinear nonhomogenous stochastic pavement management models | |
Kano et al. | Business cycle implications of internal consumption habit for new Keynesian models | |
JP7015927B2 (ja) | 学習モデル適用システム、学習モデル適用方法、及びプログラム | |
WO2015174959A1 (en) | Generating a model based on input |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |