CN107679862A - 一种欺诈交易模型的特征值确定方法及装置 - Google Patents
一种欺诈交易模型的特征值确定方法及装置 Download PDFInfo
- Publication number
- CN107679862A CN107679862A CN201710807968.9A CN201710807968A CN107679862A CN 107679862 A CN107679862 A CN 107679862A CN 201710807968 A CN201710807968 A CN 201710807968A CN 107679862 A CN107679862 A CN 107679862A
- Authority
- CN
- China
- Prior art keywords
- rule
- benchmark
- trading activity
- property value
- conduct
- 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.)
- Granted
Links
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
- G06Q20/40—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
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种欺诈交易模型的特征值确定方法及装置。该方法包括:针对按照设定规则获取到交易数据的每个交易要素,确定所述交易要素的各属性值在样本集合的第一占有率,进而可以根据属性值的第一占有率确定该属性值是否作为基准属性值,并将各基准属性值进行组合,得到交易行为规则;然后根据第二占有率确定基准交易行为规则,以及每个基准行为规则在样本集合中的欺诈识别度确定各交易行为规则对应的特征值。本申请实现了综合考虑各交易要素以扩充特征技术的信息量,提高交易数据对应的特征值来源的可靠性,从而提高模型检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种欺诈交易模型的特征值确定方法及装置。
背景技术
随着互联网金融的发展,移动支付和线上交易逐步普及,随之而来的是日渐多发的欺诈交易,许多不发分子通过互联网交易渠道,通过伪造交易凭证、盗取交易密码等方式完成欺诈交易。欺诈交易的盛行会增加金融风险,不利于金融秩序的稳定,给持卡人和金融机构造成严重损失,为了避免这一问题,需要准确识别欺诈交易的行为。
目前,从交易数据中获取样本,通过样本训练出欺诈交易模型,通过欺诈交易模型进行欺诈交易的识别。欺诈交易模型的建立有多种方式,除了考虑样本中各交易要素之外,也会引入基于交易要素的特征值进行欺诈交易模型的训练。但是,现有技术中对交易要素的特征值计算较为简单,规则模式单一,不能适应不断变化、行为多样的欺诈交易,因此存在着准确度低,适用范围小,容易产生误判或者漏判的缺点。
综上,目前亟需一种欺诈交易模型的特征值确定方法,用于解决现有技术中特征计算只考虑单一交易要素而导致准确度低的问题。
发明内容
本发明实施例提供一种欺诈交易模型的特征值确定方法及装置,以解决现有技术中特征计算只考虑单一交易要素而导致准确度低的技术问题。
本发明实施例提供一种欺诈交易模型的特征值确定方法,包括:
按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;
针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值;
将各基准属性值进行组合,得到交易行为规则;
针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则;
针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
可选地,确定所述基准行为规则对应的特征值之后,还包括:
针对所述样本集合中每个交易数据,将所述交易数据与每个基准行为规则进行匹配;
若所述交易数据没有匹配到基准交易行为规则,则确定所述交易数据对应的特征值为设定值;
若所述交易数据匹配到基准交易行为规则,则根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值。
可选地,根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值,包括:
若所述交易数据仅匹配到一个基准交易行为规则,则确定所述交易数据对应的特征值为所述匹配到的基准交易行为规则对应的特征值;
若所述交易数据匹配到多个基准交易行为规则,则将所述多个基准交易行为规则中包含所述基准属性值最多的基准交易行为规则对应的特征值确定为所述交易数据对应的特征值;若存在多个包含所述基准属性值最多的基准交易行为规则,则将所述多个包含所述基准属性值最多的基准交易行为规则对应的特征值的平均值确定为所述交易数据对应的特征值。
可选地,所述至少根据属性值的第一占有率确定所述属性值是否作为基准属性值,包括:
所述属性值的第一占有率为满足所述属性值的样本数的个数与所述样本集合中样本总个数的比值;
将第一占有率大于第一阈值的属性值按照欺诈概率由大到小进行排名,将欺诈概率排名前p位的属性值和排名后q位的属性值作为基准属性值,p和q均为大于等于1的整数;所述欺诈概率根据满足所述属性值的欺诈交易数据的样本个数确定的。
可选地,将各基准属性值进行组合,得到交易行为规则,包括
将所述p个基准属性值进行组合后,得到P个交易行为规则,其中,
将所述q个基准属性值进行组合后,得到Q个交易行为规则,其中,
可选地,p=q。
可选地,至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则,包括:
所述第二占有率为满足所述交易行为规则的样本数的个数与所述样本集合中样本总个数的比值;
针对第二占有率大于第二阈值的每个交易行为规则,确定所述交易行为规则的Kolmogorov Smirnov(KS)值,所述KS值根据满足所述交易行为规则的正常交易数据的样本个数及满足所述交易行为规则的欺诈交易数据的样本个数得到的;
将KS值的绝对值大于第三阈值的交易行为规则作为基准行为规则。
可选地,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,包括:
根据满足所述基准行为规则的欺诈交易数据的样本数,确定所述基准行为规则的欺诈识别度;
根据所述基准行为规则的欺诈识别度和满足所述基准行为规则的样本集合的样本数,确定所述基准行为规则对应的特征值。
本发明实施例提供一种欺诈交易模型的特征值确定装置,包括:
获取单元,用于按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;
处理单元,用于针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值;
组合单元,用于将各基准属性值进行组合,得到交易行为规则;
所述处理单元,还用于针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则;
所述处理单元,还用于针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
可选地,所述处理单元在确定所述基准行为规则对应的特征值之后,还用于:
针对所述样本集合中每个交易数据,将所述交易数据与每个基准行为规则进行匹配;
若所述交易数据没有匹配到基准交易行为规则,则确定所述交易数据对应的特征值为设定值;
若所述交易数据匹配到基准交易行为规则,则根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值。
可选地,所述处理单元具体用于:
若所述交易数据仅匹配到一个基准交易行为规则,则确定所述交易数据对应的特征值为所述匹配到的基准交易行为规则对应的特征值;
若所述交易数据匹配到多个基准交易行为规则,则将所述多个基准交易行为规则中包含所述基准属性值最多的基准交易行为规则对应的特征值确定为所述交易数据对应的特征值;若存在多个包含所述基准属性值最多的基准交易行为规则,则将所述多个包含所述基准属性值最多的基准交易行为规则对应的特征值的平均值确定为所述交易数据对应的特征值。
可选地,所述处理单元具体用于:
所述属性值的第一占有率为满足所述属性值的样本数的个数与所述样本集合中样本总个数的比值;
将第一占有率大于第一阈值的属性值按照欺诈概率由大到小进行排名,将欺诈概率排名前p位的属性值和排名后q位的属性值作为基准属性值,p和q均为大于等于1的整数;所述欺诈概率根据满足所述属性值的欺诈交易数据的样本个数确定的。
可选地,所述处理单元具体用于:
将所述p个基准属性值进行组合后,得到P个交易行为规则,其中,
将所述q个基准属性值进行组合后,得到Q个交易行为规则,其中,
可选地,p=q。
可选地,所述处理单元具体用于:
所述第二占有率为满足所述交易行为规则的样本数的个数与所述样本集合中样本总个数的比值;
针对第二占有率大于第二阈值的每个交易行为规则,确定所述交易行为规则的KS值,所述KS值根据满足所述交易行为规则的正常交易数据的样本个数及满足所述交易行为规则的欺诈交易数据的样本个数得到的;
将KS值的绝对值大于第三阈值的交易行为规则作为基准行为规则。
可选地,所述处理单元具体用于:
根据满足所述基准行为规则的欺诈交易数据的样本数,确定所述基准行为规则的欺诈识别度;
根据所述基准行为规则的欺诈识别度和满足所述基准行为规则的样本集合的样本数,确定所述基准行为规则对应的特征值。
本发明实施例提供一种计算机可读存储介质,所述存储介质存储有指令,当所述指令在计算机上运行时,使得计算机实现执行权利要求1至8中任一项所述的方法。
本发明实施例提供一种计算机设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行如权利要求1至8任一权利要求所述的方法。
本发明实施例中,按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;然后针对交易数据的每个交易要素,确定所述交易要素的各属性值在样本集合的第一占有率,进而可以根据属性值的第一占有率确定该属性值是否作为基准属性值,并将各基准属性值进行组合,得到交易行为规则;接着,针对每个交易行为规则,确定满足该交易行为规则的样本数在样本集合的第二占有率,从而可以根据第二占有率确定所述交易行为规则是否作为基准行为规则;最后,针对每个基准行为规则,根据每个基准行为规则在所述样本集合中的欺诈识别度,确定每个基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。由此可知,本申请将单一交易要素扩展到交易数据的每个交易要素,能够扩充特征值计算的信息量,避免现有技术基于单一要素计算时由于信息量匮乏导致误识别的问题,提高交易数据对应的特征值来源的可靠性,从而提高模型检测的准确性;进一步地,本申请根据每个交易要素,确定出满足要求的基准属性值,并将基准属性值组合得到符合要求的基准行为规则,进而确定出每个基准行为规则对应的特征值,有效避免现有技术中仅根据单一要素计算出的特征值过于简单造成模型学习不足的情况,能够确定出更有效、更具针对性的特征值,使得检测结果合理可行,进一步保证了检测的准确性。
附图说明
为了更清楚地说明本发明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要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种欺诈交易模型的特征值确定方法对应的流程示意图;
图2为本发明实施例提供一种确定每个交易数据对应的特征值方法的流程示意图;
图3为本发明实施例提供的一种整体的欺诈交易模型的特征值确定方法对应的流程示意图;
图4为本发明实施例提供的一种欺诈交易模型的特征值确定装置的结构示意图;
图5为本发明实施例提供一种交易数据特征值确定的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示例性示出了本发明实施例提供的一种欺诈交易模型的特征值确定方法对应的流程示意图,包括以下步骤:
步骤101,按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据。
步骤102,针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值。
步骤103,将各基准属性值进行组合,得到交易行为规则。
步骤104,针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则。
步骤105,针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
本申请将单一交易要素扩展到交易数据的每个交易要素,能够扩充特征计算的信息量,避免现有技术基于单一要素计算时由于信息量匮乏导致误识别的问题,提高交易数据对应的特征值来源的可靠性,从而提高模型检测的准确性;进一步地,本申请根据每个交易要素,确定出满足要求的基准属性值,并将基准属性值组合得到符合要求的基准行为规则,进而确定出每个基准行为规则对应的特征值,有效避免现有技术中仅根据单一要素计算出的特征值过于简单造成模型学习不足的情况,能够确定出更有效、更具针对性的特征值,使得检测结果合理可行,进一步保证了检测的准确性。
本申请中,交易数据的交易要素指的是交易金额、交易时间、交易渠道、交易地区、商户代码、商户类型、卡类型、卡介质、发行机构、收单机构等信息。每个交易要素都有不同的属性值,以商户类型为例,商户类型的属性值可以根据银联的参照表确定,例如,餐饮类的商户类型代码为5812,旅馆类的商户类型代码为7011,珠宝类的商户类型代码为5094,则商户类型的属性值可以直接为商户类型代码。但有些交易要素的属性值数量过于庞大,以交易时间为例,交易时间的属性值可以为2017-8-1 00:01:25、2017-8-1 10:25:50、2017-8-2 14:32:15等不同的时间数值,考虑到交易时间的数据分布范围较大,为避免数据处理的复杂度,本申请中,可以根据二十四小时制将交易时间的属性值划分为多个区间,例如,将交易时间在[00:00:00-00:59:59]划分为一类,可以用数值0表示,将交易时间在[01:00:00-01:59:59]划分为一类,可以用数值1表示,采用这种方式可以交易时间的属性值划分为24类别;还可以进一步细化,将小时具体到分钟、秒钟等,例如,当分析凌晨2点到3点的属性值时,可以将属性值每隔一段时间划分为一类,从而有效简化了交易时间的属性值。其它交易要素的属性值也可以进行类似简化,具体不再赘述。
举个例子,如表1所示,为属性值简化之前的各交易数据以及各交易要素的内容示意。
表1:属性值简化之前的各交易数据以及各交易要素的内容示意
进一步地,对上述信息进行简化,如表2所示,为属性值简化之后的各交易数据以及各交易要素的内容示意。
表2:属性值简化之后的各交易数据以及各交易要素的内容示意
本申请中,交易数据的样本集合可以存储于预设数据库中,样本集合中包括正常交易数据和欺诈交易数据,其中,正常交易数据是指该交易数据为实际发生的交易数据且经确认是没有欺诈交易的,欺诈交易数据是指该交易数据为实际发生的交易数据且进确认是欺诈交易的。
考虑到可作为样本的交易数据数量庞大,且实际生活中,正常交易数据远远多于欺诈交易数据,因此,在选取样本集合时,可以按一定比例抽取正常交易数据和欺诈交易数据。具体实施中,该比例值可以根据实际情况设置,为了特征计算的准确性,可选地,该比例值可以为300:1。进一步地,为了有效分析欺诈交易行为,选取的欺诈交易数据的数量为1000以上,一种可能的实现方式是,从预设数据库中全量抽取欺诈交易数据,然后按照1:300的比例,抽取部分正常交易数据。
在上述步骤101中,按照设定规则获取交易数据的样本集合,其中,设定规则可以为某种交易场景,例如,设定规则可以为交易金额¥698.00,则获取交易金额为¥698.00的样本集合;设定规则也可以为交易地区广东省,则获取交易地区为广东省的样本集合。本申请,设定规则可以根据实际情况设置,不做具体限定。由于本申请可按照设定规则获取交易数据,即可以获取某种交易场景(如交易金额¥698.00)下的交易数据,避免模型欠拟合或过拟合的问题,有效提高某些交易场景下模型的拟合度,能够增强欺诈交易模型的识别能力,进而提高模型的整体效果。
步骤102中,针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率,具体来说,属性值的第一占有率为满足所述属性值的样本数的个数与所述样本集合中样本总个数的比值。本申请通过分析每个交易要素,挖掘一些交易场景的特征,综合考虑不同交易要素对模型的影响,有效提高模型对于欺诈交易的识别率,从而避免欺诈交易带来的经济损失。
举个例子,以交易时间为例,样本集合中有500,000个样本,其中,交易时间的属性值为凌晨2点到3点的样本数量为25,000个,则交易时间的属性值为凌晨2点到3点的第一占有率为5%。
进一步地,本申请中,根据属性值的第一占有率确定所述属性值是否作为基准属性值的方法可以有多种,例如,可以将第一占有率大于第一阈值的属性值作为基准属性值;也可以将第一占有率按照由大到小进行排名,将前m位的属性值作为基准属性值,m为大于1的整数。
更进一步地,考虑到仅根据第一占有率确定出的基准属性值,可能存在欺诈概率大部分偏低或者偏高的情况,因此,本申请中,可以先根据第一占有率满足上述条件过滤掉一部分属性值,然后根据欺诈概率的高低再过滤掉一部分属性值,从而得到最终的基准属性值。本申请中,欺诈概率可以是根据满足所述属性值的欺诈交易数据的样本个数确定的。
针对上述基准属性值的确定,本发明实施例具体列举如下几种可能的实现方式。
方式一:
仅根据属性值的第一占有率确定所述属性值是否作为基准属性值。具体来说,一种可能的实现方式是,将属性值的第一占有率大于第一阈值的属性值作为基准属性值,其中,第一阈值用于过滤掉占有率低的属性值。本申请不对第一阈值的具体数值做限定,为了提高基准属性值的有效性,可以将第一阈值设定为15%。
另一种可能的实现方式是,将第一占有率按照由大到小进行排名,将前m位的属性值作为基准属性值,其中,m为大于1的整数,m的具体取值可以根据实际情况设定。
方式二:
根据属性值的第一占有率和欺诈概率确定所述属性值是否作为基准属性值。具体来说,在方式一的基础上,可以将第一占有率大于第一阈值的属性值按照欺诈概率由大到小进行排名,将欺诈概率排名前p位的属性值和排名后q位的属性值作为基准属性值,p和q均为大于等于1的整数。采用这种方式,能够避免属性值过多导致数据处理的复杂度增加的情况,从而减少工作量。
进一步地,可以设置为p=q,从而平衡高欺诈概率的基准属性值和低欺诈概率的基准属性值,保证基准属性值具有较高的参考性。
举个例子,以分析交易时间中凌晨2点到凌晨3点的交易数据为例,属性值的划分以每分钟为依据,则凌晨2点到凌晨3点这个交易时间中共有60个属性值;然后计算每个属性值的第一占有率,假设大于第一阈值的属性值有40个,接着对着40个属性值按照欺诈概率由大到小进行排名,将排名前15位的属性值和排名后15位的属性值作为基准属性值。
步骤103中,将各基准属性值进行组合,得到交易行为规则,具体来说,将上述步骤102中的p个基准属性值进行组合后,并将q个基准属性值也进行组合。
举个例子,有5个(即p=5)欺诈概率较高的基准属性值,分为A、B、C、D、E,则将A、B、C、D、E进行组合,根据组合公式1≤i≤p,可以获得31个行为规则,如表3所示,为欺诈概率较高的基准属性值组合成的行为规则;且有5个(即q=5)欺诈概率交底的基准属性值,分别为a、b、c、d、e,则将a、b、c、d、e进行组合,根据组合公式1≤i≤q,可以获得31个行为规则,如表4所示,为欺诈概率较低的基准属性值组合成的行为规则。
表3:欺诈概率较高的基准属性值组合成的行为规则
表4:欺诈概率较低的基准属性值组合成的行为规则
步骤104中,针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率,具体来说,第二占有率为满足所述交易行为规则的样本数的个数与所述样本集合中样本总个数的比值;
举个例子,以交易规则是交易时间在凌晨0点到1点和交易地点在上海为例,样本集合中有500,000个样本,其中,满足该交易规则的样本数量为35,000个,则该交易规则的第二占有率为7%。
进一步地,本申请中,根据第二占有率确定基准行为规则的方法可以有多种,例如,可以将第二占有率大于第二阈值的行为规则作为基准行为规则,其中,第二阈值可以根据实际情况设定,本申请不做具体限定。
更进一步地,考虑到满足某一基准行为规则的样本中可能既有正常交易,也有欺诈交易,因此,为了使得基准行为规则更加可靠,本申请进一步考虑基准行为规则的KS值,即先根据第二占有率大于第二阈值过滤掉一部分行为规则,然后根据KS大于第三阈值再过滤掉一部分行为规则,从而得到最终的基准行为规则,其中,第三阈值可以根据实际情况设定,本申请不做具体限定。本申请中,KS值可以根据满***易行为规则的正常交易数据的样本个数及满***易行为规则的欺诈交易数据的样本个数得到。
举个例子,以交易规则是交易时间在凌晨0点到1点和交易地点在上海为例,样本集合中有500,000个样本,其中,满足该交易规则的样本数量为35,000个,且满足该交易规则的正常交易数据的样本个数为20,000个,满足该交易规则的欺诈交易数据的样本个数为15,000个;假设该交易规则的第二占有率大于第二阈值,则利用现有技术中存在的KS值计算方法计算该交易规则的KS值,并将KS值大于第三阈值的交易规则作为基准交易规则。
步骤105中,针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
具体来说,本申请可以根据满足所述基准行为规则的欺诈交易数据的样本数,确定所述基准行为规则的欺诈识别度;然后根据所述基准行为规则的欺诈识别度和满足所述基准行为规则的样本集合的样本数,确定所述基准行为规则对应的特征值。
进一步地,基准行为规则对应的特征值可以是通过以下方式得到的:
E=F/(Y/H)
其中,F为基准行为规则的欺诈识别度,F可以通过计算满足基准行为规则的欺诈交易数据的样本数与欺诈交易数据的样本数的比值得到;E为基准行为规则对应的特征值;Y为满足基准行为规则的样本集合的样本数;H为所述样本集合的样本数。
举个例子,以基准交易规则是交易时间在凌晨1点到2点和交易地点在上海为例,样本集合中有300,000个样本,其中,欺诈交易数据的样本数为1,000个,满足该基准交易规则的样本集合有120,000个,满足该基准交易规则的欺诈交易数据的样本数有500个,则该基准交易规则的欺诈识别度为:500/1000=0.5,该欺诈交易规则的特征值为:0.5/(180,000/300,000)=0.83。
如上文所述,本申请在确定出基准行为规则的特征值之后,为了构建欺诈交易模型,还需要根据基准行为规则的特征值,确定出每个交易数据对应的特征值。图2为本发明实施例提供一种确定每个交易数据对应的特征值方法的流程示意图,如图2所示,包括以下步骤:
步骤201,针对所述样本集合中每个交易数据,将所述交易数据与每个基准行为规则进行匹配。
步骤202,判断所述交易数据是否匹配到基准交易行为规则,若没有匹配到,则执行步骤203;若匹配到,则执行步骤204.
步骤203,确定所述交易数据对应的特征值为设定值。
具体来说,本申请不对设定值的具体数值做限定,一种可能的实现方式是,若交易数据没有匹配到基准交易行为规则,则意味着无法通过基准行为规则来判断该交易数据的特征值,也就是说,该交易数据可能为正常交易,也可能为欺诈交易,因此,本申请将设定值设定为0.5。
步骤204,判断所述交易数据是否仅匹配到一个基准交易行为规则,若仅匹配到一个基准交易行为规则,则执行步骤205;若匹配到多个基准交易行为规则,则执行步骤206。
步骤205,确定所述交易数据对应的特征值为所述匹配到的基准交易行为规则对应的特征值。
步骤206,确定所述交易数据对应的特征值为匹配到的多个基准交易行为规则对应的特征值的平均值。
具体来说,若交易数据匹配到多个基准交易行为规则,则确定该交易数据对应的特征值的方法有多种,下面列举几种可能的实现方式。
方式一:
确定该交易数据对应的特征值为多个基准交易行为规则的平均值。
举个例子,若交易数据为:2017-8-1 12:55:36¥998.00上海市商户A餐饮类,现有5个基准交易行为规则,分为为规则1:交易时间凌晨1点到2点和交易地点广东省、规则2:交易时间中午12点到1点、规则3:交易商户B和商户类型珠宝类、规则4:交易金额¥998.00和商户类型餐饮类、规则5:交易时间中午1点到2点和商户A,并且确定规则1的特征值为0.8,规则2的特征值为0.2,规则3的特征值为0.7,规则4的特征值为0.6,规则5的特征值为0.1,如表5所示,为基准交易行为规则对应的特征值为多个基准交易行为规则的平均值示例,由此可知,该交易数据能够匹配到规则2和规则4,则该交易数据对应的特征值为0.4。
表5:基准交易行为规则对应的特征值为平均值示例
方式二:
确定该交易数据对应的特征值为多个基准交易行为规则中包含所述基准属性值最多的基准交易行为规则对应的特征值。
举个例子,若交易数据为:2017-8-1 12:55:36¥998.00上海市商户A餐饮类,现有5个基准交易行为规则,分为为规则1:交易时间凌晨1点到2点和交易地点广东省、规则2:交易时间中午12点到1点、规则3:交易商户B和商户类型珠宝类、规则4:交易金额¥998.00和商户类型餐饮类、规则5:交易时间中午12点到1点和交易地点上海市和商户类型餐饮类,并且确定规则1的特征值为0.8,规则2的特征值为0.2,规则3的特征值为0.7,规则4的特征值为0.6,规则5的特征值为0.3,如表6所示,为基准属性值最多的基准交易行为规则对应的特征值示例,由此可知,该交易数据能够匹配到规则2、规则4和规则5,由于规则5中包含的基准属性值最多,则规则5的属性值为该交易数据对应的特征值,即该交易数据对应的特征值为0.3。
表6:基准属性值最多的基准交易行为规则对应的特征值示例
进一步的,若存在多个包含所述基准属性值最多的基准交易行为规则,则将所述多个包含所述基准属性值最多的基准交易行为规则对应的特征值的平均值确定为所述交易数据对应的特征值。
举个例子,若交易数据为:2017-8-1 12:55:36¥998.00上海市商户A餐饮类,现有7个基准交易行为规则,分为为规则1:交易时间凌晨1点到2点和交易地点广东省、规则2:交易时间中午12点到1点、规则3:交易商户B和商户类型珠宝类、规则4:交易金额¥998.00和商户类型餐饮类、规则5:交易时间中午1点到2点和商户A,规则6:交易时间中午12点到1点和交易地点上海市和商户类型餐饮类,规则7:交易时间中午12点到1点和交易金额¥998.00和商户类型餐饮类,并且确定规则1的特征值为0.8,规则2的特征值为0.2,规则3的特征值为0.7,规则4的特征值为0.6,规则5的特征值为0.1,规则6的特征值为0.3,规则7的特征值为0.6,如表7所示,为基准属性值最多的多个基准交易行为规则对应的特征值示例,由此可知,该交易数据能够匹配到规则2、规则4、规则6和规则7,由于规则6和规则7中同样包含的最多的基准属性值,则规则6和规则7的属性值的平均值为该交易数据对应的特征值,即该交易数据对应的特征值为0.45。
表7:基准属性值最多的多个基准交易行为规则对应的特征值示例
相比于现有技术中由于欺诈交易的交易场景的多样性,造成欺诈交易模型对某些交易场景学习不足,增加欺诈交易误识别的概率。本申请能够分析特定交易场景下的交易行为特征,并综合考虑各交易要素,计算各交易数据的特征值,进而达到优化欺诈交易模型的目的;进一步地,本申请还可以通过各基准属性值,形成反欺诈交易行为规则,从而提升对欺诈交易的识别率。
图3示例性示出了本发明实施例提供的一种整体的欺诈交易模型的特征值确定方法对应的流程示意图,具体可结合上述描述,此处不再赘述。
基于相同构思,图4示例性示出了本发明实施例提供的一种欺诈交易模型的特征值确定装置的结构示意图,如图4所示,包括获取单元401,处理单元402,组合单元403;其中,
获取单元401,用于按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;
处理单元402,用于针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值;
组合单元403,用于将各基准属性值进行组合,得到交易行为规则;
所述处理单元402,还用于针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则;
所述处理单元402,还用于针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
基于上述特征值确定装置,本发明实施例提供一种交易数据特征值确定的流程示意图,如图5所示,获取单元采集交易数据之后,由处理单元进行交易要素分析、交易行为规则特征值计算以及交易数据的特征值计算,最后得到的交易数据的特征值用于构建欺诈交易模型。
本发明实施例中,按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;然后针对交易数据的每个交易要素,确定所述交易要素的各属性值在样本集合的第一占有率,进而可以根据属性值的第一占有率确定该属性值是否作为基准属性值,并将各基准属性值进行组合,得到交易行为规则;接着,针对每个交易行为规则,确定满足该交易行为规则的样本数在样本集合的第二占有率,从而可以根据第二占有率确定所述交易行为规则是否作为基准行为规则;最后,针对每个基准行为规则,根据每个基准行为规则在所述样本集合中的欺诈识别度,确定每个基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。由此可知,本申请将单一交易要素扩展到交易数据的每个交易要素,能够扩充特征计算的信息量,避免现有技术基于单一要素计算时由于信息量匮乏导致误识别的问题,提高交易数据对应的特征值来源的可靠性,从而提高模型检测的准确性;进一步地,本申请根据每个交易要素,确定出满足要求的基准属性值,并将基准属性值组合得到符合要求的基准行为规则,进而确定出每个基准行为规则对应的特征值,有效避免现有技术中仅根据单一要素计算出的特征值过于简单造成模型学习不足的情况,能够确定出更有效、更具针对性的特征值,使得检测结果合理可行,进一步保证了检测的准确性。
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、***、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(***)、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通用计算机、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (18)
1.一种欺诈交易模型的特征值确定方法,其特征在于,所述方法包括:
按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;
针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值;
将各基准属性值进行组合,得到交易行为规则;
针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则;
针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
2.根据权利要求1所述的方法,其特征在于,确定所述基准行为规则对应的特征值之后,还包括:
针对所述样本集合中每个交易数据,将所述交易数据与每个基准行为规则进行匹配;
若所述交易数据没有匹配到基准交易行为规则,则确定所述交易数据对应的特征值为设定值;
若所述交易数据匹配到基准交易行为规则,则根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值。
3.根据权利要求2所述的方法,其特征在于,根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值,包括:
若所述交易数据仅匹配到一个基准交易行为规则,则确定所述交易数据对应的特征值为所述匹配到的基准交易行为规则对应的特征值;
若所述交易数据匹配到多个基准交易行为规则,则将所述多个基准交易行为规则中包含所述基准属性值最多的基准交易行为规则对应的特征值确定为所述交易数据对应的特征值;若存在多个包含所述基准属性值最多的基准交易行为规则,则将所述多个包含所述基准属性值最多的基准交易行为规则对应的特征值的平均值确定为所述交易数据对应的特征值。
4.根据权利要求1所述的方法,其特征在于,所述至少根据属性值的第一占有率确定所述属性值是否作为基准属性值,包括:
所述属性值的第一占有率为满足所述属性值的样本数的个数与所述样本集合中样本总个数的比值;
将第一占有率大于第一阈值的属性值按照欺诈概率由大到小进行排名,将欺诈概率排名前p位的属性值和排名后q位的属性值作为基准属性值,p和q均为大于等于1的整数;所述欺诈概率根据满足所述属性值的欺诈交易数据的样本个数确定的。
5.根据权利要求4所述的方法,其特征在于,将各基准属性值进行组合,得到交易行为规则,包括
将所述p个基准属性值进行组合后,得到P个交易行为规则,其中,
将所述q个基准属性值进行组合后,得到Q个交易行为规则,其中,
6.根据权利要求5所述的方法,其特征在于,p=q。
7.根据权利要求1至6任一项所述的方法,其特征在于,至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则,包括:
所述第二占有率为满足所述交易行为规则的样本数的个数与所述样本集合中样本总个数的比值;
针对第二占有率大于第二阈值的每个交易行为规则,确定所述交易行为规则的KS值,所述KS值根据满足所述交易行为规则的正常交易数据的样本个数及满足所述交易行为规则的欺诈交易数据的样本个数得到的;
将KS值的绝对值大于第三阈值的交易行为规则作为基准行为规则。
8.根据权利要求1所述的方法,其特征在于,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,包括:
根据满足所述基准行为规则的欺诈交易数据的样本数,确定所述基准行为规则的欺诈识别度;
根据所述基准行为规则的欺诈识别度和满足所述基准行为规则的样本集合的样本数,确定所述基准行为规则对应的特征值。
9.一种欺诈交易模型的特征值确定装置,其特征在于,所述装置包括:
获取单元,用于按照设定规则获取交易数据的样本集合,所述样本集合中包括正常交易数据和欺诈交易数据;
处理单元,用于针对交易数据的每个交易要素,确定所述交易要素的各属性值在所述样本集合的第一占有率;至少根据属性值的第一占有率确定所述属性值是否作为基准属性值;
组合单元,用于将各基准属性值进行组合,得到交易行为规则;
所述处理单元,还用于针对每个交易行为规则,确定满足所述交易行为规则的样本数在所述样本集合的第二占有率;至少根据所述第二占有率确定所述交易行为规则是否作为基准行为规则;
所述处理单元,还用于针对每个基准行为规则,根据所述基准行为规则在所述样本集合中的欺诈识别度,确定所述基准行为规则对应的特征值,所述特征值用于构建欺诈交易模型。
10.根据权利要求9所述的装置,其特征在于,所述处理单元在确定所述基准行为规则对应的特征值之后,还用于:
针对所述样本集合中每个交易数据,将所述交易数据与每个基准行为规则进行匹配;
若所述交易数据没有匹配到基准交易行为规则,则确定所述交易数据对应的特征值为设定值;
若所述交易数据匹配到基准交易行为规则,则根据所述匹配到的基准交易行为规则对应的特征值确定所述交易数据对应的特征值。
11.根据权利要求10所述的装置,其特征在于,所述处理单元具体用于:
若所述交易数据仅匹配到一个基准交易行为规则,则确定所述交易数据对应的特征值为所述匹配到的基准交易行为规则对应的特征值;
若所述交易数据匹配到多个基准交易行为规则,则将所述多个基准交易行为规则中包含所述基准属性值最多的基准交易行为规则对应的特征值确定为所述交易数据对应的特征值;若存在多个包含所述基准属性值最多的基准交易行为规则,则将所述多个包含所述基准属性值最多的基准交易行为规则对应的特征值的平均值确定为所述交易数据对应的特征值。
12.根据权利要求9所述的装置,其特征在于,所述处理单元具体用于:
所述属性值的第一占有率为满足所述属性值的样本数的个数与所述样本集合中样本总个数的比值;
将第一占有率大于第一阈值的属性值按照欺诈概率由大到小进行排名,将欺诈概率排名前p位的属性值和排名后q位的属性值作为基准属性值,p和q均为大于等于1的整数;所述欺诈概率根据满足所述属性值的欺诈交易数据的样本个数确定的。
13.根据权利要求12所述的装置,其特征在于,所述处理单元具体用于:
将所述p个基准属性值进行组合后,得到P个交易行为规则,其中,
将所述q个基准属性值进行组合后,得到Q个交易行为规则,其中,
14.根据权利要求13所述的装置,其特征在于,p=q。
15.根据权利要求9至14任一项所述的装置,其特征在于,所述处理单元具体用于:
所述第二占有率为满足所述交易行为规则的样本数的个数与所述样本集合中样本总个数的比值;
针对第二占有率大于第二阈值的每个交易行为规则,确定所述交易行为规则的KS值,所述KS值根据满足所述交易行为规则的正常交易数据的样本个数及满足所述交易行为规则的欺诈交易数据的样本个数得到的;
将KS值的绝对值大于第三阈值的交易行为规则作为基准行为规则。
16.根据权利要求9所述的装置,其特征在于,所述处理单元具体用于:
根据满足所述基准行为规则的欺诈交易数据的样本数,确定所述基准行为规则的欺诈识别度;
根据所述基准行为规则的欺诈识别度和满足所述基准行为规则的样本集合的样本数,确定所述基准行为规则对应的特征值。
17.一种计算机可读存储介质,其特征在于,所述存储介质存储有指令,当所述指令在计算机上运行时,使得计算机实现执行权利要求1至8中任一项所述的方法。
18.一种计算机设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行如权利要求1至8任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807968.9A CN107679862B (zh) | 2017-09-08 | 2017-09-08 | 一种欺诈交易模型的特征值确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807968.9A CN107679862B (zh) | 2017-09-08 | 2017-09-08 | 一种欺诈交易模型的特征值确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679862A true CN107679862A (zh) | 2018-02-09 |
CN107679862B CN107679862B (zh) | 2021-08-27 |
Family
ID=61134936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710807968.9A Active CN107679862B (zh) | 2017-09-08 | 2017-09-08 | 一种欺诈交易模型的特征值确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679862B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN108921369A (zh) * | 2018-05-08 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 冲突规则生成方法及装置和电子设备 |
CN109409502A (zh) * | 2018-09-26 | 2019-03-01 | 深圳壹账通智能科技有限公司 | 反欺诈模型的生成方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788186B1 (en) * | 2004-03-10 | 2010-08-31 | Fannie Mae | Method and system for automated property valuation adjustment |
CN104679777A (zh) * | 2013-12-02 | 2015-06-03 | ***股份有限公司 | 一种用于检测欺诈交易的方法及*** |
CN105095238A (zh) * | 2014-05-04 | 2015-11-25 | ***股份有限公司 | 用于检测欺诈交易的决策树生成方法 |
CN106548343A (zh) * | 2016-10-21 | 2017-03-29 | ***股份有限公司 | 一种非法交易检测方法及装置 |
-
2017
- 2017-09-08 CN CN201710807968.9A patent/CN107679862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788186B1 (en) * | 2004-03-10 | 2010-08-31 | Fannie Mae | Method and system for automated property valuation adjustment |
CN104679777A (zh) * | 2013-12-02 | 2015-06-03 | ***股份有限公司 | 一种用于检测欺诈交易的方法及*** |
CN105095238A (zh) * | 2014-05-04 | 2015-11-25 | ***股份有限公司 | 用于检测欺诈交易的决策树生成方法 |
CN106548343A (zh) * | 2016-10-21 | 2017-03-29 | ***股份有限公司 | 一种非法交易检测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921369A (zh) * | 2018-05-08 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 冲突规则生成方法及装置和电子设备 |
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
WO2019218699A1 (zh) * | 2018-05-18 | 2019-11-21 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN109409502A (zh) * | 2018-09-26 | 2019-03-01 | 深圳壹账通智能科技有限公司 | 反欺诈模型的生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107679862B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104679777B (zh) | 一种用于检测欺诈交易的方法及*** | |
US8458069B2 (en) | Systems and methods for adaptive identification of sources of fraud | |
US6581043B1 (en) | Routing number variable and indexes | |
US11157913B2 (en) | Systems and methods for improved detection of network fraud events | |
CN107545422A (zh) | 一种套现检测方法及装置 | |
US11151569B2 (en) | Systems and methods for improved detection of network fraud events | |
US11741474B2 (en) | Systems and methods for early detection of network fraud events | |
CN106447333A (zh) | 一种欺诈交易侦测方法及服务器 | |
CN106709800A (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
US11715106B2 (en) | Systems and methods for real-time institution analysis based on message traffic | |
CN103678659A (zh) | 一种基于随机森林算法的电子商务网站欺诈用户识别方法及*** | |
CN107679862A (zh) | 一种欺诈交易模型的特征值确定方法及装置 | |
CN111798298A (zh) | 一种跨境电商供应链金融贷前企业评估方法及*** | |
CN109493086A (zh) | 一种确定违规商户的方法及装置 | |
EP4128125A1 (en) | Systems and methods for advanced velocity profile preparation and analysis | |
US20230137734A1 (en) | Systems and methods for improved detection of network attacks | |
CN106779723A (zh) | 一种移动终端风险评估方法及装置 | |
US11410178B2 (en) | Systems and methods for message tracking using real-time normalized scoring | |
CN109360099A (zh) | 一种基于k-近邻算法的金融反欺诈方法 | |
CN115526640A (zh) | 用于检测共谋交易欺诈的计算机实施的方法、***和计算机程序产品 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN106779843A (zh) | 一种基于客户群体特征的商户竞合关系分析的方法和装置 | |
CN112967062A (zh) | 基于谨慎度的用户身份识别方法 | |
CN113159778A (zh) | 一种金融欺诈的检测方法及装置 | |
CN111563747B (zh) | 针对商户授信的处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |