CN109191140B - 一种评分卡模型整合方法及装置 - Google Patents

Abstract

公开了一种评分卡模型整合方法及装置。一种评分卡模型整合方法，该方法包括：确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

Description

一种评分卡模型整合方法及装置

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种评分卡模型整合方法及装置。

背景技术

随着互联网技术的不断发展，各种应用***越来越多，例如电子商务***。用户作为应用***的使用者，一般需要注册账户，例如较为常见的使用电子邮箱注册账户，账户可以作为用户的虚拟身份标识信息，用户可以通过账户登录应用***，以使用应用***提供的资源或开展相关活动等。

在实际应用中，不免有一些恶意用户大批量注册账户(这种大批量注册的账户可以称为恶意账户)，以便于盗取应用***所提供的资源，或者开展一些非法活动，例如参加作弊、欺诈，套用营销资金，赌博等。以电子商务***为例，恶意用户可以通过大批量注册的恶意账户登录电子商务***，从而多次在电子商务***内刷单。因此对于应用***而言，需要识别出恶意账户。

发明内容

针对上述技术问题，本说明书实施例提供一种评分卡模型整合方法及装置，技术方案如下：

一种评分卡模型整合方法，该方法包括：

确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

一种恶意账户识别方法，该方法包括：

获取待识别账户以及所述待识别账户对应的账户标识；

利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识账户是否为恶意账户。

一种评分卡模型整合装置，该装置包括：

模型确定模块，用于确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

获取模块，用于从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

训练模块，用于以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

一种恶意账户识别装置，该装置包括：

获取模块，用于获取待识别账户以及所述待识别账户对应的账户标识；

评分计算模块，用于利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

识别模块，用于利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识账户是否为恶意账户。

本说明书实施例所提供的技术方案，以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，利用所得到的整合模型对所述待识别账户进行识别，对于应用***而言，能够识别出恶意账户。

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是本说明书实施例的整合模型与实时评分卡模型、历史评分卡模型及健康度评分卡模型的关系示意图；

图2是本说明书实施例的评分卡模型整合方法的实施流程图；

图3是本说明书实施例的恶意账户识别方法的实施流程图；

图4是本说明书实施例的评分卡模型整合装置的结构示意图；

图5是本说明书实施例的恶意账户识别装置的结构示意图；

图6是用于配置本说明书实施例装置的一种设备的结构示意图。

具体实施方式

以电子商务***为例，不免有一些恶意用户大批量注册账户，以便于盗取电子商务***的资源，或者开展一些非法活动，例如恶意用户可以通过大批量注册的恶意账户登录电子商务***，从而在电子商务***内多次领取红包，又例如恶意用户可以通过大批量注册的恶意账户登录电子商务***，从而多次在电子商务***内刷单。因此当务之急是急需要一套解决方案可以识别出恶意账户大批量注册的恶意账户。

针对上述问题，本说明书实施例对现有评分卡模型进行整合得到整合模型，利用该整合模型可以识别出恶意账户。具体的本说明书实施例的技术方案如下：

确定的待整合的评分卡模型分别为实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中整合模型与实时评分卡模型、历史评分卡模型及健康度评分卡模型的关系如图1所示；从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：上述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型。

获取待识别账户以及待识别账户对应的账户标识；利用实时评分卡模型、历史评分卡模型及健康度评分卡模型针对账户标识计算对应的实时评分、历史评分及健康度评分；利用整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定待识账户是否为恶意账户。

为了使本领域技术人员更好地理解本说明书实施例中的技术方案，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详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。

下面分别从“整合模型构建”以及“恶意账户识别”两方面，对本说明书所提供的技术方案进行说明。

如图2所示，为本说明书提供的一种评分卡模型整合方法的流程图，该方法可以包括以下步骤：

S201，确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

首先确定需要参与整合的评分卡模型，例如实时评分卡模型、历史评分卡模型及健康度评分卡模型，实时评分卡模型可以针对账户标识计算实时评分，用以表示账户标识对应的当前账户的风险状况，历史评分卡模型可以针对账户标识计算历史评分，用以表示账户标识对应的历史账户的风险状况，健康度评分卡模型可以针对账户标识计算健康度评分，用以表示账户标识对应的当前账户和/或历史账户的健康状况。其中每个评分卡模型都具有1个专项风险的预测数据分值，若干个输入特征，实时评分卡模型的预测输出分值可以称为实时评分，历史评分卡模型的预测输出分值可以称为历史评分，健康度评分卡模型的预测输出分值可以称为健康度评分。

S202，从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

针对S201中所确定的参与整合的评分卡模型，从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，这里预设时间段内的注册账户以及对应的账户标识，可以是某个时间窗口内(例如过去一周，过去一年等)的注册过的注册账户以及对应的账户标识。对于任一账户标识i，需要获取的数据包括实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识i的实时评分、历史评分及健康度评分，如表1所示：

账户标识ID	实时评分	历史评分	健康度评分
				1	0	1	1
2	0	1	2
				3	1	1	1

表1

S203，以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

针对S202获取的注册账户以及对应的账户标识，以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，具体的利用有监督学习算法对样本进行训练得到整合模型的步骤如下：

S203a，对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为L、M、N个子区间，并动态组合成L*M*N个由实时评分、历史评分及健康度评分组成的分值组合，所述L≥2，M≥2，N≥2；

一般实时评分卡模型、历史评分卡模型及健康度评分卡模型都有各自输出值的值域，例如实时评分卡模型、历史评分卡模型及健康度评分卡模型输出值的值域都是0、1、2，又例如实时评分卡模型输出值的值域是0-1，历史评分卡模型输出值的值域为0、1、2，健康度评分卡模型输出值的值域是0-1，本说明书对此不作限定。

对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为L、M、N个子区间，以实时评分卡模型、历史评分卡模型及健康度评分卡模型输出值的值域都是0、1、2为例，则对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为3个子区间，相应的子区间可以称为分箱1(包含0)、分箱2(包含1)、分箱3(包含2)。其中L≥2，M≥2，N≥2，L、M、N的具体取值可以根据实际情况而定，本说明书对此不作限定，另外L、M、N的具体取值可以相等，也可以不等。

在子区间划分以后，动态组合成L*M*N个由实时评分、历史评分及健康度评分组成的分值组合，如上述所说的对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为3个子区间，相应的子区间可以称为分箱1(包含0)、分箱2(包含1)、分箱3(包含2)，则由实时评分、历史评分及健康度评分组成的分值组合有3*3*3＝27个，例如由实时评分1、历史评分1及健康度评分1组成的分值组合。

S203b，对于任一由实时评分、历史评分及健康度评分组成的分值组合，统计与所述分值组合相匹配的账户标识所对应的注册账户数量；

针对S203a上述中的任一由实时评分、历史评分及健康度评分组成的分值组合，统计与该分值组合相匹配的账户标识所对应的注册账户数量，例如对于由实时评分1、历史评分1及健康度评分1组成的分值组合，在获取的账户标识中，统计实时评分1、历史评分1及健康度评分1的账户标识，进而统计出对应的注册账户数量，例如在获取的注册账户中，存在10000个注册账户对应的账户标识实时评分为1、历史评分为1及健康度评分为1。

S203c，计算所统计的注册账户的认证比率；

针对S203b中所统计的注册账户，计算所统计的注册账户的认证比率，例如对于上述所统计的10000个注册账户，其中有100个注册账户为通过认证的账户，9900个注册账户为未通过认证的账户，则这10000个注册账户的认证比率为1％。

S203d，若认证比率未超过预设的阈值，则确定所述由实时评分、历史评分及健康度评分组成的分值组合可用；

针对S203c所计算的认证比率，判断认证比率是否超过预设的阈值，若认证比率未超过预设的阈值，则确定由实时评分、历史评分及健康度评分组成的分值组合可用，即可以作为恶意账户识别的识别条件之一。例如上述所计算的认证比率为1％，预设的阈值为1％，则可知并未超过预设阈值，由实时评分1、历史评分1及健康度评分1组成的分值组合可用，则这个10000个注册账户都被识别为恶意账户，其中正确率为99％，当待识别账户的实时评分为1、历史评分为1、健康度评分为1，则可以识别出待识别账户为恶意账户。

S203e，将所有可用的由实时评分、历史评分及健康度评分组成的分值组合整合成整合模型。

对于所有可用的由实时评分、历史评分及健康度评分组成的分值组合，例如上述所说的由实时评分1、历史评分1及健康度评分1组成的分值组合，将所有这种可用的分值组合构建成整合模型，即对于待识别账户对应的实时评分、历史评分、健康度评分组成的分值组合与整合模型中任一分值组合匹配的话，则确定该待识别账户为恶意账户。

具体的如何根据上述得到的整合模型识别恶意账户，本说明书提供的技术方案如下：

如图3所示，为本说明书提供的一种恶意账户识别方法的流程图，该方法具体可以包括以下步骤：

S301，获取待识别账户以及所述待识别账户对应的账户标识；

对于应用***中的注册账户，获取注册账户，并将其标记为待识别账户，后续根据识别状况可以将该注册账户分为正常用户或恶意账户。在获取待识别账户的同时还可以获取其对应的账户标识，其中账户标识可以为账户名称、注册手机号等，本说明书后续以注册手机号为例对本说明书实施例的技术方案进行说明。

S302，利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

上述提到将所有这种可用的分值组合构建成整合模型，对于待识别账户对应的实时评分、历史评分、健康度评分组成的分值组合与整合模型中任一分值组合匹配的话，则确定该待识别账户为恶意账户，因此对于待识别账户对应的账户标识，从实时、历史、健康三个维度分别去计算账户标识对应的实时评分、历史评分及健康度评分，下面分别对实时评分的计算、历史评分的计算、健康度评分的计算进行说明：

S302a，实时评分的计算：

确定注册手机号所处号段的注册账户聚集状况，以该注册手机号所处号段的注册账户聚集状况作为实时评分卡模型的输入特征，计算该注册手机号的实时评分。其中所确定的注册手机号所处号段的注册账户聚集状况可以最近几分钟内的聚集状况，称为高频聚集，也可以是最近几个小时内的聚集状况，称为中频聚集，也可以是最近几天内的聚集状况，称为低频聚集，可以分别以高频聚集、中频聚集、低频聚集作为实时评分卡模型的输入特征，计算该注册手机号的实时高频评分、实时中频评分、实时低频评分，将这三个评分加权求和作为该注册手机号的实时评分。

S302b，历史评分的计算：

确定注册手机号对应的历史账户的恶意账户识别状况以及注册手机号所处号段历史上恶意账户识别状况；根据注册手机号对应的历史账户的恶意账户识别状况以及注册手机号所处号段历史上恶意账户历史识别状况，利用历史评分卡模型计算注册手机号的历史评分。

具体的，将注册手机号对应的历史账户(使用该手机号注册过的历史账户)的恶意账户识别状况作为历史评分卡模型的特征输入，计算注册手机号对应的历史账户的评分，例如使用该手机号注册过的历史账户识别为正常账户，则将此特征作为历史评分卡模型的特征输入，计算注册手机号对应的历史账户的评分为2.

将注册手机号所处号段历史上恶意账户识别状况作为历史评分卡模型的特征输入，计算该注册手机号所处号段历史上的评分，例如以159手机号号段为例，在过去的一年内，注册了10000个账户，其中识别出1000个账户为恶意账户，则恶意账户识别率为10％，将此特征作为历史评分卡模型的特征输入，计算该注册手机号所处号段历史上的评分为2。

对该注册手机号对应的历史账户的评分和该注册手机号所处号段历史上的评分加权求和作为该注册手机号的历史评分，其中考虑到手机号可能存在二次放号风险，即手机号的拥有者可能更换，若该待识别账户的注册时间距离该注册手机号对应的历史账户的注册时间的时间差超过某个预设的时间差，对注册手机号对应的历史账户的评分做评分衰减，例如由原来的2分衰减为1分。

S302c，健康度评分的计算：

确定待识别账户的认证状况以及注册手机号对应的历史账户的认证状况；根据待识别账户的认证状况以及注册手机号对应的历史账户的认证状况，利用健康度评分卡模型计算所述注册手机号的健康度评分，进一步的若待识别账户的认证状况以及注册手机号对应的历史账户的认证状况缺失，则确定注册手机号所处号段历史上认证状况；根据注册手机号所处号段历史上认证状况，利用健康度评分卡模型计算所述注册手机号的健康度评分。

具体的将注册手机号对应的历史账户的认证状况作为健康度评分卡模型的特征输入，计算注册手机号对应的历史账户的健康度评分，例如注册手机号对应的历史账户通过了实名认证，将此特征作为健康度评分卡模型的特征输入，计算注册手机号对应的历史账户的健康度评分为2(分值越高，健康状况越好)。

将待识别账户的认证状况作为健康度评分卡模型的特征输入，计算该待识别账户的健康度评分，例如该待识别账户的用户资料完善度为20％，且未通过实名认证，可以将此特征作为健康度评分卡模型的特征输入，计算该待识别账户的健康度评分为1。

对待识别账户的健康度评分和该注册手机号对应的历史账户的健康度评分加权求和作为该注册手机号的健康度评分。

另外，若待识别账户的认证状况以及注册手机号对应的历史账户的认证状况缺失，则确定注册手机号所处号段历史上认证状况，将注册手机号所处号段历史上认证状况作为健康度评分卡模型的特征输入，计算注册手机号的健康度评分，例如以150手机号号段为例，在过去的一年内，10000个账户只有9000个账户通过了实名认证，则认证率为90％，可以将此特征作为健康度评分卡模型的特征输入，计算注册手机号的健康度评分。

至此，注册手机号的实时评分、历史评分、健康度评分计算完成，例如实时评分为1、历史评分为1、健康度评分为1。

S303，利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识账户是否为恶意账户。

针对S302所计算的实时评分、历史评分、健康度评分，利用整合模型针对注册手机号的实时评分、历史评分、健康度评分进行识别，即在整合模型中，查找是否存在与注册手机号的实时评分、历史评分、健康度评分组成的分值组合相匹配的分值组合，以此来确定待识别是否为恶意账户。例如上述计算的注册手机号的实时评分为1、历史评分为1、健康度评分为1，在整合模型中，匹配到实时评分为1、历史评分为1、健康度评分为1的分值组合，则可以确定该注册手机号对应的待识别账户为恶意账户。

通过上述对本说明书实施例技术方案的描述，以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，利用所得到的整合模型对待识别账户进行识别。对于应用***而言，基于实时、历史、健康三个维度能够识别出恶意账户。

相应于上述方法实施例，本说明书实施例还提供一种评分卡模型整合装置以及恶意账户识别装置，参见图4、图5所示，下面分贝进行说明：

评分卡模型整合装置可以包括：模型确定模块410、获取模块420、训练模块430。

模型确定模块410，用于确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

获取模块420，用于从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

训练模块430，用于以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

根据本说明书提供的一种具体实施方式，所述训练模块430具体用于：

对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为L、M、N个子区间，并动态组合成L*M*N个由实时评分、历史评分及健康度评分组成的分值组合，所述L≥2，M≥2，N≥2；

对于任一由实时评分、历史评分及健康度评分组成的分值组合，统计与所述分值组合相匹配的账户标识所对应的注册账户数量；

计算所统计的注册账户的认证比率；

若认证比率未超过预设的阈值，则确定所述由实时评分、历史评分及健康度评分组成的分值组合可用；

将所有可用的由实时评分、历史评分及健康度评分组成的分值组合整合成整合模型。

恶意账户识别装置包括：获取模块510、评分计算模块520、识别模块530。

获取模块510，用于获取待识别账户以及所述待识别账户对应的账户标识；

评分计算模块520，用于利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

识别模块530，用于利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识账户是否为恶意账户。

根据本说明书提供的一种具体实施方式，

所述账户标识为注册手机号。

根据本说明书提供的一种具体实施方式，所述所述评分计算模块520包括：

实时评分计算子模块521，用于确定所述注册手机号所处号段的注册账户聚集状况；

根据所述注册手机号所处号段的注册账户聚集状况，利用所述实时评分卡模型计算所述注册手机号的实时评分；

历史评分计算子模块522，用于确定所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户识别状况；

根据所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号的历史评分；

健康度评分计算子模块523，用于确定所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况；

根据所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

根据本说明书提供的一种具体实施方式，所述历史评分计算子模块522具体用于：

根据所述注册手机号对应的历史账户的恶意账户识别状况，利用所述历史评分卡模型计算所述注册手机号对应的历史账户的评分；

根据所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号所处号段历史上的评分；

对所述注册手机号对应的历史账户的评分和所述注册手机号所处号段历史上的评分进行加权求和作为所述注册手机号的历史评分。

根据本说明书提供的一种具体实施方式，所述健康度评分计算子模块523具体用于：

根据所述待识别账户的认证状况，利用所述健康度评分卡模型计算所述待识别账户的健康度评分；

根据所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号对应的历史账户的健康度评分；

对所述待识别账户的健康度评分和所述注册手机号对应的历史账户的健康度评分加权求和作为所述注册手机号的健康度评分。

根据本说明书提供的一种具体实施方式，所述健康度评分计算子模块523还用于：

若所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况缺失，则确定所述注册手机号所处号段历史上认证状况；

根据所述注册手机号所处号段历史上认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

通过上述对本说明书实施例技术方案的描述，以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，利用所得到的整合模型对待识别账户进行识别。对于应用***而言，基于实时、历史、健康三个维度能够识别出恶意账户。

本说明书实施例还提供一种计算机设备，如图6所示，该设备可以包括：处理器610、存储器620、输入/输出接口630、通信接口640和总线650。其中处理器610、存储器620、输入/输出接口630和通信接口640通过总线650实现彼此之间在设备内部的通信连接。

处理器610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620可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，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620可以存储操作***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620中，并由处理器610来调用执行。

输入/输出接口630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640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650包括一通路，在设备的各个组件(例如处理器610、存储器620、输入/输出接口630和通信接口640)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610、存储器620、输入/输出接口630、通信接口640以及总线650，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评分卡模型整合方法。该方法至少包括：

一种评分卡模型整合方法，该方法包括：

确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，所述整合模型用于识别恶意账户。

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恶意账户识别方法。该方法至少包括：

一种恶意账户识别方法，该方法包括：

获取待识别账户以及所述待识别账户对应的账户标识；

利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识账户是否为恶意账户。

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。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

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 (14)

1.一种评分卡模型整合方法，该方法包括：

确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

其中，所述账户标识包括注册手机号；所述实时评分是基于所述注册手机号所处号段的注册账户聚集状况获得的；所述历史评分是基于所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户识别状况获得的；所述健康度评分是基于待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况获得的；

以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，包括：对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为L、M、N个子区间，并动态组合成L*M*N个由实时评分、历史评分及健康度评分组成的分值组合，所述L≥2，M≥2，N≥2；对于任一由实时评分、历史评分及健康度评分组成的分值组合，统计与所述分值组合相匹配的账户标识所对应的注册账户数量；计算所统计的注册账户的认证比率；若认证比率未超过预设的阈值，则确定所述由实时评分、历史评分及健康度评分组成的分值组合可用；将所有可用的由实时评分、历史评分及健康度评分组成的分值组合整合成整合模型；

所述整合模型用于识别恶意账户。

2.根据权利要求1所述的评分卡模型整合方法，提供一种识别恶意账户的方法，包括：

获取待识别账户以及所述待识别账户对应的账户标识；

利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识别账户是否为恶意账户。

3.根据权利要求2所述的评分卡模型整合方法，所述利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分，包括：

确定所述注册手机号所处号段的注册账户聚集状况；

根据所述注册手机号所处号段的注册账户聚集状况，利用所述实时评分卡模型计算所述注册手机号的实时评分；

确定所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户识别状况；

根据所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号的历史评分；

确定所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况；

根据所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

4.根据权利要求3所述的评分卡模型整合方法，所述根据所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号的历史评分，包括：

根据所述注册手机号对应的历史账户的恶意账户识别状况，利用所述历史评分卡模型计算所述注册手机号对应的历史账户的评分；

根据所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号所处号段历史上的评分；

对所述注册手机号对应的历史账户的评分和所述注册手机号所处号段历史上的评分进行加权求和作为所述注册手机号的历史评分。

5.根据权利要求3所述的评分卡模型整合方法，所述根据所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分，包括：

根据所述待识别账户的认证状况，利用所述健康度评分卡模型计算所述待识别账户的健康度评分；

根据所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号对应的历史账户的健康度评分；

对所述待识别账户的健康度评分和所述注册手机号对应的历史账户的健康度评分加权求和作为所述注册手机号的健康度评分。

6.根据权利要求3所述的评分卡模型整合方法，所述方法还包括：

若所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况缺失，则确定所述注册手机号所处号段历史上认证状况；

根据所述注册手机号所处号段历史上认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

7.一种评分卡模型整合装置，该装置包括：

模型确定模块，用于确定待整合的实时评分卡模型、历史评分卡模型及健康度评分卡模型，其中所述实时评分卡模型、历史评分卡模型及健康度评分卡模型各自具有1个输出值，分别为：实时评分、历史评分、健康度评分；

获取模块，用于从注册账户历史记录中，获取预设时间段内的注册账户以及对应的账户标识，对于每个账户标识包括：所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对该账户标识的实时评分、历史评分及健康度评分；

其中，所述账户标识包括注册手机号；所述实时评分是基于所述注册手机号所处号段的注册账户聚集状况获得的；所述历史评分是基于所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户识别状况获得的；所述健康度评分是基于待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况获得的；

训练模块，用于以获取的注册账户以及对应的账户标识作为整合模型训练样本，利用有监督学习算法对样本进行训练得到整合模型，包括：对实时评分卡模型、历史评分卡模型及健康度评分卡模型各自输出值的值域进行分箱处理分别划分为L、M、N个子区间，并动态组合成L*M*N个由实时评分、历史评分及健康度评分组成的分值组合，所述L≥2，M≥2，N≥2；对于任一由实时评分、历史评分及健康度评分组成的分值组合，统计与所述分值组合相匹配的账户标识所对应的注册账户数量；计算所统计的注册账户的认证比率；若认证比率未超过预设的阈值，则确定所述由实时评分、历史评分及健康度评分组成的分值组合可用；将所有可用的由实时评分、历史评分及健康度评分组成的分值组合整合成整合模型；所述整合模型用于识别恶意账户。

8.根据权利要求7所述的评分卡模型整合装置，提供一种识别恶意账户的装置，包括：

获取模块，用于获取待识别账户以及所述待识别账户对应的账户标识；

评分计算模块，用于利用所述实时评分卡模型、历史评分卡模型及健康度评分卡模型针对所述账户标识计算对应的实时评分、历史评分及健康度评分；

识别模块，用于利用所述整合模型针对所述账户标识的实时评分、历史评分及健康度评分进行识别，以确定所述待识别账户是否为恶意账户。

9.根据权利要求8所述的评分卡模型整合装置，所述评分计算模块包括：

实时评分计算子模块，用于确定所述注册手机号所处号段的注册账户聚集状况；

根据所述注册手机号所处号段的注册账户聚集状况，利用所述实时评分卡模型计算所述注册手机号的实时评分；

历史评分计算子模块，用于确定所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户识别状况；

根据所述注册手机号对应的历史账户的恶意账户识别状况以及所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号的历史评分；

健康度评分计算子模块，用于确定所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况；

根据所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

10.根据权利要求9所述的评分卡模型整合装置，所述历史评分计算子模块具体用于：

根据所述注册手机号对应的历史账户的恶意账户识别状况，利用所述历史评分卡模型计算所述注册手机号对应的历史账户的评分；

根据所述注册手机号所处号段历史上恶意账户历史识别状况，利用所述历史评分卡模型计算所述注册手机号所处号段历史上的评分；

对所述注册手机号对应的历史账户的评分和所述注册手机号所处号段历史上的评分进行加权求和作为所述注册手机号的历史评分。

11.根据权利要求9所述的评分卡模型整合装置，所述健康度评分计算子模块具体用于：

根据所述待识别账户的认证状况，利用所述健康度评分卡模型计算所述待识别账户的健康度评分；

根据所述注册手机号对应的历史账户的认证状况，利用所述健康度评分卡模型计算所述注册手机号对应的历史账户的健康度评分；

对所述待识别账户的健康度评分和所述注册手机号对应的历史账户的健康度评分加权求和作为所述注册手机号的健康度评分。

12.根据权利要求9所述的评分卡模型整合装置，所述健康度计算子模块还用于：

若所述待识别账户的认证状况以及所述注册手机号对应的历史账户的认证状况缺失，则确定所述注册手机号所处号段历史上认证状况；

根据所述注册手机号所处号段历史上认证状况，利用所述健康度评分卡模型计算所述注册手机号的健康度评分。

13.一种计算机设备，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。

14.一种计算机设备，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2至6任一项所述的方法。

Images