CN110020858A - 支付异常检测方法、装置、存储介质及电子设备 - Google Patents

支付异常检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN110020858A
CN110020858A CN201910189953.XA CN201910189953A CN110020858A CN 110020858 A CN110020858 A CN 110020858A CN 201910189953 A CN201910189953 A CN 201910189953A CN 110020858 A CN110020858 A CN 110020858A
Authority
CN
China
Prior art keywords
payment
user account
node
topological structure
similarity
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
Application number
CN201910189953.XA
Other languages
English (en)
Inventor
张振华
冯淼
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910189953.XA priority Critical patent/CN110020858A/zh
Publication of CN110020858A publication Critical patent/CN110020858A/zh
Priority to PCT/CN2019/124802 priority patent/WO2020181854A1/zh
Pending legal-status Critical Current

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
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开涉及一种支付异常检测方法、装置、存储介质及电子设备，以提高支付异常检测的准确性。该方法包括：分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度；根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。

Description

支付异常检测方法、装置、存储介质及电子设备
技术领域
本公开涉及信息技术领域，具体地，涉及一种支付异常检测方法、装置、存储介质及电子设备。
背景技术
随着互联网的快速发展，在便利了日常生活的同时，也为不法分子提供了可趁之机。以互联网支付为例，由于其成交量大、监控手段不完善等特点，使得不法分子很容易隐藏在支付操作背后，完成刷单、套现等违法犯罪行为。
相关技术中，支付异常的检测主要是根据采集到的用户账号的支付数据，进行异常指数的计算，如果异常指数大于预设阈值，则确定支付异常。但是，由于预设阈值依赖人工设定，如果预设阈值设置得不准确，则会直接导致支付异常的判断结果不准确。并且，对于每个用户，预设阈值相同，因此无法针对不同的用户进行个性化检测，从而导致将仅有别于群体平均水平的正常支付行为确定为支付异常，影响支付异常检测的准确性。
发明内容
本公开的目的是提供一种支付异常检测方法、装置、存储介质及电子设备，以提高支付异常检测的准确性。
为了实现上述目的，第一方面，本公开提供一种支付异常检测方法，所述方法包括：
分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；
根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的；
根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；
根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
可选地，所述根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常，包括：
将更新后的表征所述用户账号的节点的标签值与更新后的表征支付方式的节点的标签值进行比对；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值不一致，则确定所述用户账号存在支付异常；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值一致，则确定所述用户账号不存在支付异常。
可选地，所述方法还包括：
根据与所述用户账号相关联的历史支付数据，建立所述预设拓扑结构；
将所述预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对，所述数据库中存储有异常用户账号和用户账号的异常支付方式；
如果用户账号或支付方式存在于所述数据库中，则将所述用于表征该用户账号或支付方式的节点的初始标签值置为第一数值；
如果用户账号或支付方式不存在于所述数据库中，则将所述用于表征该用户账号或支付方式的节点的初始标签值置为区别于所述第一数值的第二数值。
可选地，所述根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，包括：
根据所述特征数据，确定所述用户账号与所述支付方式的第j个特征间的特征相似度；
按照以下公式，根据所述特征相似度，计算所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度：
其中，w表示预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度，dj表示用户账号与支付方式的第j个特征间的特征相似度，α表示预设超参数，n表示获取的特征数据的种类总数。
可选地，所述根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新，包括：
根据所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行初始更新；
确定所述预设拓扑结构是否处于收敛状态；
如果所述预设拓扑结构未处于收敛状态，则修改所述预设超参数，并根据所述修改后的预设超参数，重新计算所述相似度；
根据所述重新计算的相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
可选地，所述特征相似度通过所述用户账号与所述支付方式的第j个特征间的KL距离、曼哈顿距离和欧式距离中的任一者表示。
可选地，所述方法还包括：
按照预设时间周期，获取与所述用户账号相关联的历史支付数据；
根据获取的所述历史支付数据，对所述预设拓扑结构中各节点的标签值进行更新。
第二方面，本公开还提供一种支付异常检测装置，所述装置包括：
获取模块，用于分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；
计算模块，用于根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的；
更新模块，用于根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；
确定模块，用于根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
可选地，所述确定模块用于：
将更新后的表征所述用户账号的节点的标签值与更新后的表征支付方式的节点的标签值进行比对；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值一致，则确定所述用户账号不存在支付异常；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值不一致，则确定所述用户账号存在支付异常。
可选地，所述装置还包括：
建立模块，用于根据与所述用户账号相关联的历史支付数据，建立所述预设拓扑结构；
比对模块，用于将所述预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对，所述数据库中存储有异常用户账号和用户账号的异常支付方式；
第一设置模块，用于当用户账号或支付方式存在于所述数据库时，将所述用于表征该用户账号或支付方式的节点的初始标签值置为第一数值；
第二设置模块，用于当用户账号或支付方式不存在于所述数据库中时，将所述用于表征该用户账号或支付方式的节点的初始标签值置为区别于所述第一数值的第二数值。
可选地，所述计算模块用于：
根据所述特征数据，确定所述用户账号与所述支付方式的第j个特征间的特征相似度；
按照以下公式，根据所述特征相似度，计算所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度：
其中，w表示预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度，dj表示用户账号与支付方式的第j个特征间的特征相似度，α表示预设超参数，n表示获取的特征数据的种类总数。
可选地，所述更新模块用于：
根据所述相似度，对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行初始更新；
确定所述预设拓扑结构是否处于收敛状态；
如果所述预设拓扑结构未处于收敛状态，则修改所述预设超参数，并根据所述修改后的预设超参数，重新计算所述相似度；
根据所述重新计算的相似度，对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
可选地，所述特征相似度通过所述用户账号与所述支付方式的第j个特征间的KL距离、曼哈顿距离和欧式距离中的任一者表示。
可选地，所述装置还包括：
数据获取模块，用于按照预设时间周期，获取与所述用户账号相关联的历史支付数据；
节点更新模块，用于根据获取的所述历史支付数据，对所述预设拓扑结构中各节点的标签值进行更新。
第三方面，本公开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第一方面里任一项所述方法的步骤。
第四方面，本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面里任一项所述方法的步骤。
通过上述技术方案，可以通过用户账号与支付方式的支付一致性，完成支付异常的检测。并且，以每个用户账号和与该用户账号绑定的支付方式的特征数据作为每个用户账号的个性化描述，能够全面的反映出用户账号与支付方式的支付特征，从而实现对不同用户的个性化检测，提高支付异常检测的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种支付异常检测方法的流程图；
图2是根据本公开一示例性实施例示出的节点的标签值更新的过程示意图；
图3是根据本公开另一示例性实施例示出的一种支付异常检测方法的流程图；
图4是根据本公开一示例性实施例示出的一种支付异常检测装置的框图；
图5是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种支付异常检测方法的流程图。参照图1，该支付异常检测方法包括以下步骤：
步骤S101，分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据。
步骤S102，根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的。
步骤S103，根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
步骤S104，根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
通过上述技术方案，可以通过用户账号与支付方式的支付一致性，完成支付异常的检测。并且，以每个用户账号和与该用户账号绑定的支付方式的特征数据作为每个用户账号的个性化描述，能够全面的反映出用户账号与支付方式的支付特征，从而实现对不同用户的个性化检测，提高支付异常检测的准确性。
为了使本领域技术人员更加理解本公开实施例提供的技术方案，下面对上述步骤进行详细举例说明。
示例地，在步骤S101中，用户账号可以是用户的手机号、身份证号等可以标识用户身份的信息，本公开实施例对此不作限定。支付方式可以是银行卡支付、电子支付等各种不同的支付方式，本公开实施例对此也不作限定。应当理解的是，本公开实施例中，一个用户账号可以绑定多个支付方式，比如，支付方式为银行卡支付，那么一个用户账号可以绑定多张银行卡。
示例地，支付过程可以是预设时间段内的支付过程，比如，可以是1分钟内的支付过程，也可以是1小时内的支付过程，还可以是1天内的支付过程，等等，本公开实施例对此不作限定。
示例地，获取特征数据可以是获取用户账号和与该用户账号绑定的支付方式在支付过程中的行为特征数据、消费特征数据和位置特征数据。其中，行为特征数据、消费特征数据和位置特征数据的具体内容可以根据实际应用场景的不同而进行不同的设定，本公开实施例对于特征数据的具体内容和获取方式不作限定。
示例地，行为特征数据可以是分别表征用户账号和与该用户账号绑定的支付方式的支付频率、支付金额等特征的数据。例如，用户账号的一个行为特征数据可以表示为：usr_payCntIn[1h，1D，1W，1M，]，其中，括号中的参数表示该行为特征数据的抽取间隔，该抽取间隔可以根据实际情况进行设定，本公开实施例对此不作限定。
也即是说，上述举例中的行为特征数据实际表示的是usr_payCntIn1h，usr_payCntIn1D，usr_payCntIn1W，usr_payCntIn1M这四组特征数据，可以分别表征用户账户每1小时、每天、每周、每月内支付的次数。
在一种可能的方式中，以支付方式为银行卡支付为例，分别获取到的用户账号和与该用户账号绑定的支付方式的行为特征数据可以如表1所示：
表1
用户账号的行为特征数据 银行卡的行为特征数据
usr_payCntIn[1h,1D,1W,1M] card_payCntIn[1h,1D,1W,1M]
usr_payMoneyIn[1h,1D,1W,1M,] card_payMoneyIn[1h,1D,1W,1M,]
usr_payMoneyMinIn[1h,1D,1W,1M] card_payMoneyMinIn[1h,1D,1W,1M]
usr_payMoneyMaxIn[1h,1D,1W,1M] card_payMoneyMaxIn[1h,1D,1W,1M]
usr_payMoneyTimesIn[1h,1D,1W,1M,] card_payMoneyTimesIn[1h,1D,1W,1M,]
其中，usr_payCntIn[1h,1D,1W,1M]、usr_payMoneyIn[1h,1D,1W,1M,]、usr_payMoneyMinIn[1h,1D,1W,1M]、usr_payMoneyMaxIn[1h,1D,1W,1M]、usr_payMoneyTimesIn[1h,1D,1W,1M,]可以分别表示用户账号每1小时内、每天内、每周内、每月内的支付次数、支付金额、最少支付金额、最多支付金额、每一笔支付金额的幂次众数。
card_payCntIn[1h,1D,1W,1M]、card_payMoneyIn[1h,1D,1W,1M,]、card_payMoneyMinIn[1h,1D,1W,1M]、card_payMoneyMaxIn[1h,1D,1W,1M]、card_payMoneyTimesIn[1h,1D,1W,1M,]可以分别表示与用户账号绑定的银行卡每1小时内、每天内、每周内、每月内的支付次数、支付金额、最少支付金额、最多支付金额、每一笔支付金额的幂次众数。
应当理解的是，幂次众数可以用于表征每一笔支付金额的范围，本公开对于幂次众数的具体确定过程不作限定。在一种可能的方式中，当支付金额在100以内(不包括100)时，幂次众数可以确定为1，当支付金额在1000以内(不包括1000)时，幂次众数可以确定为2，当支付金额在10000以内(不包括10000)时，幂次众数可以确定为3，以此类推。
示例地，消费特征数据可以是分别用于描述用户账号和与该用户账号绑定的支付方式进行支付的业务种类、商品品类等特征的数据。在一种可能的方式中，以支付方式为银行卡支付为例，分别获取到的用户账号和与该用户账号绑定的支付方式的消费特征数据可以如表2所示：
表2
其中，usr_payPoiCntIn[1h,1D,1W,1M]、usr_payPartnerCntIn[1h,1D,1W,1M]、usr_payPartnerMoney[1h,1D,1W,1M,]、usr_payPoiMoneyTimesIn[1h,1D,1W,1M,]分别表示用户账号每1小时内、每天内、每周内、每月内支付给商户的次数、支付的业务数目、每一个业务对应的支付金额、支付给商户的幂次众数。
card_payPoiCntIn[1h,1D,1W,1M]、card_payPoiMoneyTimesIn[1h,1D,1W,1M]、card_payPartnerCntIn[1h,1D,1W,1M]、card_payPartnerCntIn[1h,1D,1W,1M,]分别表示与用户账号绑定的银行卡每1小时内、每天内、每周内、每月内支付给商户的次数、支付给商户的幂次众数、支付的业务数目、每一个业务对应的支付金额。
应当理解的是，上述举例中所述的支付给商户的次数可以是对支付过程涉及的多个商户中的每一个商户进行统计，分别确定用户账号和与该用户账号绑定的支付方式对每一个商户的支付次数。另外，上述举例中所述的业务例如可以是手机充值业务、团购业务等等，本公开实施例对此不作限定。
示例地，位置特征数据可以是分别用于描述用户账号和与该用户账号绑定的支付方式在进行支付时的地理特征数据。在一种可能方式中，以支付方式为银行卡为例，分别获取到的用户账号和与该用户账号绑定的支付方式的位置特征数据可以如表3所示：
表3
用户账号的位置特征数据 银行卡的位置特征数据
usr_payLoc card_payLoc
usr_payIP card_payIP
usr_payIPCityId card_payIPCityId
其中，usr_payLoc、usr_payIP、usr_payIPCityId分别表示用户账号进行支付时的地理坐标、所使用的IP(Internet Protocol Address，互联网协议地址)、该IP所在城市的标识。
card_payLoc、card_payIP、card_payIPCityId分别表示与用户账号绑定的银行卡进行支付时的地理坐标、所使用的IP、该IP所在城市的标识。
应当理解的是，IP所在城市的标识可以是该IP所在城市的城市名、预先设定的城市编号等等，本公开实施例对此不作限定。
在分别获取用户账号和与该用户账号绑定的支付方式在支付过程中的特征数据之后，可以在步骤S102中，根据该特征数据，计算预设拓扑结构中表征该用户账号的节点与表征该支付方式的节点之间的相似度。
其中，预设拓扑结构是根据与该用户账号相关联的历史支付数据建立的，该预设拓扑结构中的每个节点可以表征用户账号或支付方式。应当理解的是，与用户账号相关联的历史支付数据可以是与该用户账号相关联的支付成功的历史支付数据。
在一种可能的方式中，预设拓扑结构的建立和初始化的过程可以是先根据与该用户账号相关联的历史支付数据，建立预设拓扑结构，然后将该预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对，该数据库中存储有异常用户账号和用户账号的异常支付方式。如果用户账号或支付方式存在于数据库中，则将用于表征该用户账号或支付方式的节点的初始标签值置为第一数值。如果用户账号或支付方式不存在于数据库中，则将用于表征该用户账号或支付方式的节点的初始标签值置为区别于第一数值的第二数值。
以支付方式为银行卡为例，获取与该用户账号相关联的历史支付数据，可以是在支付成功的历史订单中，获取与该用户账号绑定的银行卡数据。然后，可以统计用户账号使用不同的银行卡进行支付时的共现矩阵E。例如，共现矩阵E的内容可以是如表4所示的内容：
表4
银行卡1 银行卡2 银行卡3
用户账号 E<sub>1</sub>＝2 E<sub>2</sub>＝1 E<sub>3</sub>＝0
其中，Ej表示的是用户账号通过银行卡j进行支付的次数，比如，E1＝2可以表示用户账号通过银行卡1进行支付的次数为2，E3＝0可以表示用户账号通过银行卡3进行支付的次数为0，即用户账号没有通过银行卡3进行过支付过程。
在另一种可能的方式中，如果用户账号很多，即获取了多个用户账号的历史支付数据，那么建立共现矩阵时的存储需求过大，可能导致内存溢出。因此，作为一种替代或附加，可以将根据获取到的历史支付数据建立共现数组。
以支付方式为银行卡为例，可以将历史支付过程中，用户账号与该用户账号绑定的银行卡间的对应关系作为索引，建立如表5所示的共现数组：
表5
用户账号1_银行卡1 2
用户账号1_银行卡2 1
用户账号2_银行卡3 2
用户账号3_银行卡4 3
用户账号3_银行卡5 2
其中，表5中的第二列表示用户账号i通过银行卡j进行支付的次数，比如，参照表5可知，用户账号1通过银行卡1进行支付的次数为2，用户账号1通过银行卡2进行支付的次数为2。
在通过建立共现矩阵或共现数组将用户账号与该用户账号绑定的支付方式建立对应关系后，可以根据该对应关系建立预设拓扑结构。
应当理解的是，由于一个用户账号可以对应多个支付方式，因此在预设拓扑结构中，一个用于表征用户账号的节点可以与多个用于表征与该用户账号绑定的支付方式的节点相连。例如，参照表5，用户账号1分别与银行卡1、银行卡2绑定，那么表征用户账号1的节点可以分别与表征银行卡1、银行卡2的节点相连。
在一种可能的方式中，还可以通过python包中的networkx工具对建立的预设拓扑结构进行可视化操作，便于用户查看该预设拓扑结构。或者，在其他可能的方式中，由于考虑到当预设拓扑结构中的节点数较多时，通过networkx工具进行画图渲染实现预设拓扑结构可视化的方式可能需要耗费较长的时间，因此可以根据实际情况选择其他的可视化工具，比如可视化工具Gephi，等等，实现对预设拓扑结构的可视化操作。
在建立预设拓扑结构之后，可以将该预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对。其中，数据库中存储的数据是历史检测过程中确定的存在支付异常的用户账号或支付方式。
示例地，该数据库中的数据可以通过形如{用户账号-支付方式}的方式进行存储，那么存在支付异常的用户账号或支付方式，可能是在{用户账号-支付方式}的对应关系中只有用户账号存在支付异常，或者，也可能是只有支付方式存在支付异常。当然，在其他可能的方式中，也可能是用户账号和与该用户账号绑定的支付方式都存在支付异常，本公开实施例对此不作限定。
示例地，将预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对的过程可以是确定每个节点对应的用户账号或支付方式是否存在于数据库中。如果存在于数据库中，则将用于表征该用户账号或支付方式的节点的初始标签值置为第一数值。反之，如果不存在于数据库中，则将用于表征该用户账号或支付方式的节点的初始标签值置为区别于第一数值的第二数值。
示例地，第一数值可以设定为1，第二数值可以设定为0，那么当节点对应的用户账号或支付方式存在与数据库中时，可以将该节点的初始标签值设置为1，否则可以将该节点的初始标签值设置为0。应当理解的是，上述只是对于第一数值和第二数值进行的举例性说明，在本公开具体实施时，用户可以自行设定第一数值和第二数值，本公开实施例对此不作限定。
示例地，节点的标签值可以用于表征该节点对应的用户账号或支付方式的类别。比如，在上述第一数值为1，第二数值为0的举例中，标签值为1的所有节点可以归为一类，表示该类别中所有节点对应的用户账号或支付方式存在支付异常的可能较高。相应地，标签值为0的所有节点可以归为一类，表示该类别中所有节点对应的用户账号或支付方式存在支付异常的可能性较低。
根据上述方式，预先建立并初始化预设拓扑结构之后，可以在步骤S102中根据获取到的特征数据，计算预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度。
在一种可能的方式中，根据特征数据，计算预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度可以是先根据特征数据，确定用户账号与支付方式的第j个特征间的特征相似度，然后按照以下公式，根据特征相似度，计算预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度：
其中，w表示预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度，dj表示用户账号与支付方式的第j个特征间的特征相似度，α表示预设超参数，n表示获取的特征数据的种类总数。
示例地，预设超参数可以是根据经验值预先设定的，或者可以根据不同的应用场景进行不同的设定，等等，本公开实施例对于预设超参数的设定不作限定。
在本公开实施例中，分别获取了用户账号和与该用户账号绑定的支付方式在支付过程中的行为特征数据、消费特征数据和位置特征数据，这些特征数据的种类总数即为公式(1)中的n。比如，获取了表1所示的行为特征数据、表2所示的消费特征数据和表3所示的位置特征数据，那么可以确定特征数据的种类总数为12，即可以确定公式(1)中的n为12。
对于每一种特征数据，可以确定用户账号和与该用户账号绑定的支付方式在该特征数据下的特征相似度。在一种可能的方式中，特征相似度可以通过通过用户账号与支付方式的第j个特征间的KL距离、曼哈顿距离和欧式距离中的任一者表示。其中，KL距离也被称为相对熵，可以用于衡量两个随机分布之间的距离。
以支付方式为银行卡支付，特征相似度为KL距离为例，如果根据历史支付数据建立了共现数组，那么对于该共现数组中的一个共现组(该共现组包括一个用户账号和与该用户账号绑定的支付方式)的第j个特征间，KL距离的计算示例代码可以如下所示：
import scipy.stats
KL＝scipy.stats.entropy(X_j_u,X_j_c)
print(KL)
其中，scipy.stats表示python统计函数库，scipy.stats.entropy表示python统计函数库中计算KL距离的函数，X_j_u表示该共现组中用户账号的第j个特征，X_j_c表示该共现组中银行卡的第j个特征。比如，第j个特征为支付金额，且用户账号进行支付时的支付金额为50，银行卡进行支付的支付金额为100，那么可以确定X_j_u为50，X_j_c为100。
在计算出特征相似度之后，可以按照公式(1)，根据该特征相似度，计算预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度。然后，可以在步骤S103中，根据节点之间的相似度，通过标签传播算法对预设拓扑结构中表征用户账号的节点与表征支付方式的节点的标签值进行更新。
示例地，节点之间的相似度可以用于表征预设拓扑结构中节点之间的边权重。在标签传播算法中，一个节点与其他节点的相似度越高(边权重越大)，则表明该节点的标签值越容易传播到其他节点中，那么其他节点就越容易受到该节点的影响，从而使得其他节点的标签值更新为该节点的标签值。
示例地，如果一个节点有多个相邻节点，那么在更新该节点的标签值时，可以是根据与该节点相似度更高的节点的标签值对该节点进行更新。比如，参照图2所示，节点A分别与节点B、节点C相邻，节点A的标签值为0，节点B的标签值为0，节点C的标签值为1。并且，节点A与节点B的相似度为0.3，节点A与节点C的相似度为0.8，是大于节点A与节点B的相似度的，那么在对节点A的标签值进行更新时，可以根据节点C，将节点A的标签值更新为1。
应当理解的是，如果一个节点有多个相邻节点，且该多个相邻节点分别与该节点的相似度相同，那么可以随机选择一个相邻节点的标签值对该节点的标签值进行更新。
在一种可能方式中，对节点的标签值进行更新的过程可以是先根据相似度，通过标签传播算法对预设拓扑结构中表征用户账号的节点与表征支付方式的节点的标签值进行初始更新，然后确定预设拓扑结构是否处于收敛状态，如果预设拓扑结构未处于收敛状态，则修改预设超参数，并根据修改后的预设超参数，重新计算相似度，并根据重新计算的相似度，通过标签传播算法对预设拓扑结构中表征所述用户账号的节点与表征支付方式的节点的标签值进行更新。
也就是说，在本公开实施例中，可以迭代进行根据相似度，通过标签传播算法对预设拓扑结构中表征用户账号的节点与表征支付方式的节点的标签值进行更新的过程，直到预设拓扑结构处于收敛状态。
应当理解的是，预设拓扑结构的收敛状态是指对预设拓扑结构中各节点的标签值进行更新操作，各节点的标签值不再产生变化的状态。因此，当预设拓扑结构处于收敛状态时，各节点的标签值保持不变，从而可以在步骤S104中，根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
在一种可能的方式中，可以在步骤S104中将更新后的表征所述用户账号的节点的标签值与更新后的表征支付方式的节点的标签值进行比对。如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值不一致，则确定所述用户账号存在支付异常。如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值一致，则确定所述用户账号不存在支付异常。
在本公开实施例中，如果更新后的表征用户账号的节点与表征支付方式的节点的标签值不一致，则说明用户账号与支付方式不属于同一类别，即用户账号的支付模式与支付方式的支付模式不一致，从而可以确定用户账号支付异常。
示例地，如果确定用户账号支付异常，那么可以对该用户账号和与该用户账号绑定的支付方式进行人工审核，从而对该用户账号存在的支付异常进行处理，减少由于用户账号支付异常导致的各种损失。
应当理解的是，在另一种可能的情况下，如果更新后的表征用户账号的节点与表征支付方式的节点的标签值一致，则说明用户账号与支付方式属于同一类别，即用户账号的支付模式与支付方式的支付模式一致，从而可以确定用户账号支付正常。
在一种可能的方式中，还可以对预设拓扑结构进行定期更新。具体地，可以是按照预设时间周期，获取与用户账号相关联的历史支付数据，然后根据获取的该历史支付数据，对所述预设拓扑结构中各节点的标签值进行更新。
示例地，预设时间周期可以是根据用户需求设定的，比如，可以将预设时间周期设定为1周，等等，本公开实施例对于预设时间周期的具体设定不作限定。
示例地，对于预设拓扑各节点的标签更新上述的标签更新过程类似，具体地，可以是根据获取的历史支付数据分别分析出用户账号和与该用户账号绑定的支付方式的特征数据，然后根据该特征数据计算用于表征用户账号的节点和用于表征与该用户账号绑定的支付方式的节点间的相似度，最后根据该相似度，通过标签传播算法更新预设拓扑结构中各节点的标签值，从而使得预设拓扑结构可以随着用户历史支付数据的变化而相应更新，更加准确地实现支付异常的检测。
下面通过另一示例性实施例对本公开的支付异常检测方法进行说明。
参照图3，该支付异常检测方法可以包括以下步骤：
步骤S301，根据与用户账号相关联的支付成功的历史支付数据，建立预设拓扑结构。
步骤S302，确定预设拓扑结构中每个节点对应的用户账号或支付方式是否存在于数据库中，如果存在于该数据库中，则进入步骤S303，否则进入步骤S304。
步骤S303，将所述用于表征该用户账号或支付方式的节点的初始标签值置为第一数值。
步骤S304，将所述用于表征该用户账号或支付方式的节点的初始标签值置为区别于所述第一数值的第二数值。
步骤S305，分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据。
步骤S306，根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度。
步骤S307，根据节点之间的相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
步骤S308，确定更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值是否一致，如果不一致，则进入步骤S309，否则进入步骤S310。
步骤S309，确定所述用户账号支付异常。
步骤S310，确定所述用户账号支付正常。
其中，步骤S301～步骤S304是建立并初始化预设拓扑结构的过程，步骤S305～步骤S310是通过该预设拓扑结构对用户账号进行支付异常检测的过程。上述各步骤的具体实现过程已在上文进行详细说明，这里不再赘述。
通过上述技术方案，可以通过用户账号与支付方式的支付一致性，完成支付异常的检测。并且，以每个用户账号和与该用户账号绑定的支付方式的特征数据作为每个用户账号的个性化描述，能够全面的反映出用户账号与支付方式的支付特征，从而实现对不同用户的个性化检测，提高支付异常检测的准确性。
基于同一发明构思，参照图4，本公开还提供一种支付异常检测装置400，该装置可以通过软件、硬件或两者结合实现的方式成为电子设备的部分或全部，该装置400可以包括：
获取模块401，用于分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；
计算模块402，用于根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的；
更新模块403，用于根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；
确定模块404，用于根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
可选地，所述确定模块404用于：
将更新后的表征所述用户账号的节点的标签值与更新后的表征支付方式的节点的标签值进行比对；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值不一致，则确定所述用户账号存在支付异常；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值一致，则确定所述用户账号不存在支付异常。
可选地，所述装置400还包括：
建立模块，用于根据与所述用户账号相关联的历史支付数据，建立所述预设拓扑结构；
比对模块，用于将所述预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对，所述数据库中存储有异常用户账号和用户账号的异常支付方式；
第一设置模块，用于当用户账号或支付方式存在于所述数据库时，将所述用于表征该用户账号或支付方式的节点的初始标签值置为第一数值；
第二设置模块，用于当用户账号或支付方式不存在于所述数据库中时，将所述用于表征该用户账号或支付方式的节点的初始标签值置为区别于所述第一数值的第二数值。
可选地，所述计算模块402用于：
根据所述特征数据，确定所述用户账号与所述支付方式的第j个特征间的特征相似度；
按照以下公式，根据所述特征相似度，计算所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度：
其中，w表示预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度，dj表示用户账号与支付方式的第j个特征间的特征相似度，α表示预设超参数，n表示获取的特征数据的种类总数。
可选地，所述更新模块403用于：
根据所述相似度，对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行初始更新；
确定所述预设拓扑结构是否处于收敛状态；
如果所述预设拓扑结构未处于收敛状态，则修改所述预设超参数，并根据所述修改后的预设超参数，重新计算所述相似度；
根据所述重新计算的相似度，对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
可选地，所述特征相似度通过所述用户账号与所述支付方式的第j个特征间的KL距离、曼哈顿距离和欧式距离中的任一者表示。
可选地，所述装置400还包括：
数据获取模块，用于按照预设时间周期，获取与所述用户账号相关联的历史支付数据；
节点更新模块，用于根据获取的所述历史支付数据，对所述预设拓扑结构中各节点的标签值进行更新。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
通过上述任一支付异常检测装置，可以通过用户账号与支付方式的支付一致性，完成支付异常的检测。并且，以每个用户账号和与该用户账号绑定的支付方式的特征数据作为每个用户账号的个性化描述，能够全面的反映出用户账号与支付方式的支付特征，从而实现对不同用户的个性化检测，提高支付异常检测的准确性。
基于同一发明构思，本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一支付异常检测方法的步骤。
在一种可能的方式中，该电子设备的框图可以如图5所示。参照图5，该电子设备500可以包括：处理器501，存储器502。该电子设备500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。
其中，处理器501用于控制该电子设备500的整体操作，以完成上述的支付异常检测方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如用户账号、与用户账号绑定的支付方式等等。
该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件507可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的支付异常检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的支付异常检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的支付异常检测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种支付异常检测方法，其特征在于，所述方法包括：
分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；
根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的；
根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；
根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
2.根据权利要求1所述的方法，其特征在于，所述根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常，包括：
将更新后的表征所述用户账号的节点的标签值与更新后的表征支付方式的节点的标签值进行比对；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值不一致，则确定所述用户账号存在支付异常；
如果更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值一致，则确定所述用户账号不存在支付异常。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据与所述用户账号相关联的历史支付数据，建立所述预设拓扑结构；
将所述预设拓扑结构中每个节点对应的用户账号或支付方式与数据库中预存的数据进行比对，所述数据库中存储有异常用户账号和用户账号的异常支付方式；
如果用户账号或支付方式存在于所述数据库中，则将所述用于表征该用户账号或支付方式的节点的初始标签值置为第一数值；
如果用户账号或支付方式不存在于所述数据库中，则将所述用于表征该用户账号或支付方式的节点的初始标签值置为区别于所述第一数值的第二数值。
4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，包括：
根据所述特征数据，确定所述用户账号与所述支付方式的第j个特征间的特征相似度；
按照以下公式，根据所述特征相似度，计算所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度：
其中，w表示预设拓扑结构中表征用户账号的节点与表征支付方式的节点之间的相似度，dj表示用户账号与支付方式的第j个特征间的特征相似度，α表示预设超参数，n表示获取的特征数据的种类总数。
5.根据权利要求4所述的方法，其特征在于，所述根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新，包括：
根据所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行初始更新；
确定所述预设拓扑结构是否处于收敛状态；
如果所述预设拓扑结构未处于收敛状态，则修改所述预设超参数，并根据所述修改后的预设超参数，重新计算所述相似度；
根据所述重新计算的相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新。
6.根据权利要求4所述的方法，其特征在于，所述特征相似度通过所述用户账号与所述支付方式的第j个特征间的KL距离、曼哈顿距离和欧式距离中的任一者表示。
7.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：
按照预设时间周期，获取与所述用户账号相关联的历史支付数据；
根据获取的所述历史支付数据，对所述预设拓扑结构中各节点的标签值进行更新。
8.一种支付异常检测装置，其特征在于，所述装置包括：
获取模块，用于分别获取用户账号和与所述用户账号绑定的支付方式在支付过程中的特征数据，所述特征数据包括行为特征数据、消费特征数据和位置特征数据；
计算模块，用于根据所述特征数据，计算预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点之间的相似度，所述预设拓扑结构是根据与所述用户账号相关联的历史支付数据建立的；
更新模块，用于根据节点之间的所述相似度，通过标签传播算法对所述预设拓扑结构中表征所述用户账号的节点与表征所述支付方式的节点的标签值进行更新；
确定模块，用于根据更新后的表征所述用户账号的节点与表征所述支付方式的节点的标签值，确定所述用户账号是否支付异常。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN201910189953.XA 2019-03-13 2019-03-13 支付异常检测方法、装置、存储介质及电子设备 Pending CN110020858A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910189953.XA CN110020858A (zh) 2019-03-13 2019-03-13 支付异常检测方法、装置、存储介质及电子设备
PCT/CN2019/124802 WO2020181854A1 (zh) 2019-03-13 2019-12-12 支付异常检测

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910189953.XA CN110020858A (zh) 2019-03-13 2019-03-13 支付异常检测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN110020858A true CN110020858A (zh) 2019-07-16

Family

ID=67189512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910189953.XA Pending CN110020858A (zh) 2019-03-13 2019-03-13 支付异常检测方法、装置、存储介质及电子设备

Country Status (2)

Country Link
CN (1) CN110020858A (zh)
WO (1) WO2020181854A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399564A (zh) * 2019-07-23 2019-11-01 腾讯科技（深圳）有限公司 帐号分类方法和装置、存储介质及电子装置
CN110717758A (zh) * 2019-10-10 2020-01-21 支付宝(杭州)信息技术有限公司 异常交易识别方法和装置
WO2020181854A1 (zh) * 2019-03-13 2020-09-17 北京三快在线科技有限公司 支付异常检测
CN112860968A (zh) * 2021-02-02 2021-05-28 北京三快在线科技有限公司 一种异常检测的方法以及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9704195B2 (en) * 2011-08-04 2017-07-11 Fair Isaac Corporation Multiple funding account payment instrument analytics
CN109543373B (zh) * 2014-12-10 2023-11-14 创新先进技术有限公司 一种基于用户行为的信息识别方法及装置
CN108108866A (zh) * 2016-11-24 2018-06-01 阿里巴巴集团控股有限公司 一种风险控制的方法及装置
CN107403311B (zh) * 2017-06-27 2020-04-21 阿里巴巴集团控股有限公司 账户用途的识别方法及装置
CN108898418B (zh) * 2018-05-31 2023-06-23 康键信息技术（深圳）有限公司 用户账号检测方法、装置、计算机设备和存储介质
CN110020858A (zh) * 2019-03-13 2019-07-16 北京三快在线科技有限公司 支付异常检测方法、装置、存储介质及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020181854A1 (zh) * 2019-03-13 2020-09-17 北京三快在线科技有限公司 支付异常检测
CN110399564A (zh) * 2019-07-23 2019-11-01 腾讯科技（深圳）有限公司 帐号分类方法和装置、存储介质及电子装置
CN110399564B (zh) * 2019-07-23 2022-03-25 腾讯科技（深圳）有限公司 帐号分类方法和装置、存储介质及电子装置
CN110717758A (zh) * 2019-10-10 2020-01-21 支付宝(杭州)信息技术有限公司 异常交易识别方法和装置
CN112860968A (zh) * 2021-02-02 2021-05-28 北京三快在线科技有限公司 一种异常检测的方法以及装置

Also Published As

Publication number Publication date
WO2020181854A1 (zh) 2020-09-17

Similar Documents

Publication Publication Date Title
CN110020858A (zh) 支付异常检测方法、装置、存储介质及电子设备
CN110111110A (zh) 基于知识图谱检测欺诈的方法和装置、存储介质
JP6703013B2 (ja) 支払い閾値取得方法及び装置
CN106372938A (zh) 异常账号识别方法及***
CN112100250B (zh) 数据处理方法及装置
CN111325619A (zh) 一种基于联合学习的***欺诈检测模型更新方法及装置
CN110209660A (zh) 欺诈团伙挖掘方法、装置及电子设备
CN109711801A (zh) 一种网银对账方法及装置
CN108734469A (zh) 确定待定用户风险标签的方法和装置
CN107302793A (zh) 一种基于无线信号的定位方法、服务器、终端和***
CN109598414A (zh) 风险评估模型训练、风险评估方法、装置及电子设备
WO2010109271A1 (en) Systems, methods, apparatuses, and computer program products for generation and exchange of digital currency
CN109257354A (zh) 基于模型树算法的异常流量分析方法及装置、电子设备
CN108022096A (zh) 一种移动支付方法、装置、终端及可读存储介质
CN107517251A (zh) 信息推送方法和装置
CN110084690A (zh) 数据处理方法、装置、计算机装置及存储介质
CN109102267A (zh) 一种聚合支付的方法及设备
CN108320151A (zh) 用于加油的支付方法及装置
CN107944731A (zh) 典型工程造价模板的建立方法及装置
KR101719198B1 (ko) 단말이나 디바이스 내 개인정보 및 지불정보 관리 방법 및 이를 이용한 추천 시스템
CN107679889B (zh) 一种潜在客户的识别方法及终端设备
CN110288339A (zh) 一种基于区块链的二手手机交易信息处理***及方法
US20210334773A1 (en) Payment method, apparatus and system and vending terminal
CN113191887A (zh) 异常账务预警方法及装置
CN108153885A (zh) 图表联动方法、装置、存储介质及电子设备

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