CN110046951A - 一种交易行为判断方法和*** - Google Patents

Abstract

本发明涉及一种交易行为判断方法和***。交易行为判断方法包括：生成已知类型交易行为的样本数据；利用样本数据得到包括用于判断交易行为类型的交易特征参数的交易特征参数集；以及根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的交易特征参数对未知类型交易行为进行判断。交易行为判断***包括：样本数据生成模块，其配置成生成已知类型交易行为的样本数据；交易特征参数生成模块，其配置成利用样本数据得到包括用于判断交易行为类型的交易特征参数的交易特征参数集；以及交易行为类型判断模块，其配置成根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的交易特征参数对未知类型交易行为进行判断。

Description

一种交易行为判断方法和***

技术领域

本发明涉及一种交易行为判断方法和***。

背景技术

在一些产品的推广过程中，通常采用折扣优惠等方式对产品进行营销。与此同时，一部分人群专门利用产品营销中的优惠活动，以相对较低的成本甚至零成本换取物质上的实惠，这部分人群被称为“黄牛党”。随着产品推广业务的逐渐开展，不同种类的优惠活动逐渐增多，利用优惠活动赚取差价而获取大量利益的行为将严重影响到产品的推广成本和营销效果。出于业务精细化运营的需要，亟需对此类群体进行合理管控。

基于规则判断的模型目前已大量应用于交易行为侦测，该方法虽能对当前时间交易片段内的交易行为进行合理的侦测和解释，但其基于经验的规则判据确定和仅对当前时间片段交易行为侦测的方法已经难以满足日益复杂的业务场景需求。缺乏对交易时间序列影响的考虑，难以对用户历史交易行为进行评估，其无法应对日益变化的反侦测手段。

另一方面，基于监督框架的异常交易侦测方法其业务可解释性较弱，对于交易行为证据的获取有很大的不足。而且传统基于规则的黄牛侦测方法多依赖人工识别，通过对交易行为常识认知确定规则标准，可调节性较弱，缺乏对交易规则及行为特征的获取，不利于场景及功能的扩展。

发明内容

因此，需要一种能够根据历史交易行为对当前交易行为类型进行判断的方法。此外，需要具有较强可解释性的检测结果以及可调整的交易行为判断方法。

为了实现上述目的中的一个或多个，本发明提供以下方案。

按照本发明的第一方面，提供一种交易行为判断方法，其包括：生成已知类型交易行为的样本数据；利用样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数；以及根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的交易特征参数对未知类型交易行为进行判断。

根据本发明一实施例的交易行为判断方法，其中生成已知类型交易行为的样本数据的步骤通过规则判断来实现。

根据本发明另一实施例或以上任一实施例的交易行为判断方法，其中得到交易特征参数的步骤通过GBDT（梯度提升决策树）分类模型对样本数据进行学习来实现。

根据本发明另一实施例或以上任一实施例的交易行为判断方法，其中判断的步骤包括：利用GBDT逻辑回归模型根据基于交易特征参数的交易特征变量对交易行为进行评分；以及根据评分判断交易行为的类型。

根据本发明另一实施例或以上任一实施例的交易行为判断方法，其中交易特征参数包括下列中的一个或多个：交易次数、交易金额、优惠交易次数、优惠交易金额、连续金额交易的参数、连续优惠交易的参数、高集***易人交易数占比以及交易人地理分散程度。

根据本发明另一实施例或以上任一实施例的交易行为判断方法，其还包括：利用聚类模型根据交易特征参数对交易行为判断方法的影响将交易特征参数进行分类。

根据本发明另一实施例或以上任一实施例的交易行为判断方法，其还包括：根据分类的交易特征参数来调整GBDT逻辑回归模型。

按照本发明的第二方面，提供一种交易行为判断***，其包括：样本数据生成模块，其配置成生成已知类型交易行为的样本数据；交易特征参数生成模块，其配置成利用样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数；以及交易行为类型判断模块，其配置成根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的交易特征参数对未知类型交易行为进行判断。

根据本发明一实施例的交易行为判断***，其中样本数据生成模块还配置成通过规则判断来生成已知类型交易行为的样本数据。

根据本发明另一实施例或以上任一实施例的交易行为判断***，其中交易特征参数生成模块还配置成通过GBDT（梯度提升决策树）分类模型对样本数据进行学习来得到交易特征参数。

根据本发明另一实施例或以上任一实施例的交易行为判断***，其中交易行为类型判断模块还配置成：利用GBDT逻辑回归模型根据基于交易特征参数的交易特征变量对交易行为进行评分；以及根据评分判断交易行为的类型。

根据本发明另一实施例或以上任一实施例的交易行为判断***，其中交易特征参数包括下列中的一个或多个：交易次数、交易金额、优惠交易次数、优惠交易金额、连续金额交易的参数、连续优惠交易的参数、高集***易人交易数占比以及交易人地理分散程度。

根据本发明另一实施例或以上任一实施例的交易行为判断***，其还包括：交易特征参数分类模块，其配置成利用聚类模型根据交易特征参数对交易行为判断方法的影响将交易特征参数进行分类。

根据本发明另一实施例或以上任一实施例的交易行为判断***，其中交易行为类型判断模块还配置成：根据分类的交易特征参数来调整GBDT逻辑回归模型。

按照本发明的第三方面，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根据本发明的第一方面所提供的以上任一所述的方法的步骤。

按照本发明的第四方面，提供一种记录介质，其上存储有计算机程序，其中，该程序被计算机执行以实现根据本发明的第一方面所提供的以上任一所述的方法的步骤。

相对于现有技术，本发明具有如下有益效果：

1）本发明首先利用规则判断和监督框架下的分类模型进行集成学习，同时考虑历史交易行为的影响获取交易特征，从而能够对商户当前时间片段异常交易行为及历史交易行为进行综合侦测，有效应对黄牛商户的反侦测行为；

2）本发明在分类模型对特征进行有效获取的基础上，引入逻辑回归的机器学习模型，从而可以对黄牛交易行为的严重程度进行量化评分，满足黄牛侦测精细化需求，有利于黄牛交易行为的精细化管控；

3）本发明根据不同业务场景可以灵活对交易特征进行全面获取，在事后根据侦测结果反馈及时调整。同时，拾取获取的交易特征，利用聚类算法可以对商户黄牛交易行为证据进行有效获取，具有较强的侦测结果可解释性。

附图说明

在本说明书中，参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的公开全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。

诸如“包含”和“包括”之类的用语表示除了具有在说明书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。下文参考根据本发明实施例的装置和设备的框图来描述本发明，在所述附图中：

图1是根据本发明的一个实施例的交易行为判断方法的步骤的示例框图；

图2是根据本发明的一个实施例的历史交易数据和当前时间的时间间隔与对应于该历史交易数据的权重之间的关系的曲线图；

图3是根据本发明的一个实施例的历史交易数据和当前时间的时间间隔与对应于该历史交易数据的权重的表格；

图4是根据本发明的一个实施例的交易行为判断***的示意性框图；以及

图5是用于实现本发明的交易行为判断方法的计算机设备的框图。

具体实施方式

以下将结合附图对本发明涉及的交易行为判断方法和***、计算机设备和记录介质作进一步的详细描述。需要注意的是，以下的具体实施方式是示例性的而非限制的，其旨在提供对本发明的基本了解，而不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。

尽管阐述本发明的广义范围的数值范围和参数是适合的，但是特定示例中阐述的数值是尽可能精确地进行报告的。然而，任何数值固有地包括因其相应测试测量中常见的标准离差必然导致的某些误差。而且，本文公开的所有范围应理解为涵盖其中包括的任何以及所有子范围。

本发明涉及交易行为类型的判断。具体地，本发明涉及利用优惠活动大量获取利益的行为（也称为黄牛行为）的判断方法、***、计算机设备和记录介质。然而，本发明不限于判断以上交易行为类型，还可以视情况而定用于判断其它交易行为。类似的场景研究包括电商领域的刷单检测及较通用的异常交易检测，如***欺诈、异常转账、洗钱检测等，相关方法主要从用户侧进行异常行为判断或异常团体检测。

在按照本发明的第一方面所提供的交易行为判断方法100中，首先于步骤110生成已知类型交易行为的样本数据。在一个实施例中，已知类型交易行为是利用规则判断方法对某一交易时间段内的商户进行判断而得到的，从而生成数据样本以供GBDT（梯度提升决策树）分类模型学习。在一些实施例中，通过提取建模实体的自身属性及行为属性，结合基于规则的线性风险计算模型，实现互联网医疗的黄牛风险控制；或者通过统计商户相对于商圈范围内其它商户的总体手机号码异复率，评定商圈范围内各商户的刷单可能性等级；或者通过以银行汇路交易笔数作为特征，对银行汇路进行监控，当监控银行汇路的交易笔数大于预设阈值，则视为异常交易汇路并关闭该设备。

然后，在步骤120利用样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数。在一个实施例中，在对当前时间片段内交易行为的检测中，根据黄牛行为所针对的优惠活动，获取优惠相关交易金额、交易次数、连续多笔相同金额交易片段、交易相关交易人集群特征及交易异地分散度等交易特征。

以上得到交易特征参数的步骤通过GBDT分类模型对样本数据进行学习来实现。结合所生成的已知类型交易行为的样本参数与GBDT分类模型，既可以合理地对所生成的已知类型交易行为的样本参数进行模型拟合，以识别当前时间片段内的要判断的交易行为类型的商户，由可以通过自学习可以对特征进行合理获取。从而无需人工判定特征权重赋值，具有更好的检测扩展性。

接着在步骤132中，根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的所述交易特征参数对所述未知类型交易行为进行判断。该判断步骤132可以通过对交易行为进行评分的步骤130来得到，以下以评分步骤130为例来说明判断交易类型的一种实施方式。

具体的，在一种实施方式中，对商户交易数据按照一周（7日）为一个周期进行划分，对当前7日的交易数据片段和近12周的交易数据进行特征获取，以获取单个周期内的交易特征、历史时间片段内的交易特征以及12周内交易相关的交易人集群异地交易等特征。其中单个周期（在此实施例中为7日）内的交易特征可以包括但不限于：周交易次数、周交易总金额、周优惠交易次数以及周优惠交易金额。历史时间片段（在此实施例中为12周）内的交易特征可以包括但不限于：最大连续金额交易的总金额、最大连续金额交易的长度、最大连续优惠交易的金额以及最大连续优惠交易的长度。交易相关的交易人集群异地交易特征包括但不限于：高集***易人交易数占总交易人交易数的比例以及交易人地理（例如，可以按照省市区划分）分散程度。

在本文中，连续交易是指在历史交易记录中的一段时间内，交易金额或优惠金额相同的交易。例如，如果发生的若干笔连续的交易的金额都是100元，则这若干笔连续的交易就称为连续金额交易。又例如，如果若干比连续的交易所享受的优惠都是20元，则这若干比交易可以称为连续优惠交易。连续金额交易的笔数称为连续金额交易的长度，而连续优惠交易的笔数称为连续优惠交易的长度。

在本文中，高集***易人指的是同时绑定多张银行卡、手机号、手机设备的交易相关的人群。例如，某交易人拥有苹果、安卓两部手机和多个***，又在云闪付APP中绑定了多个银行卡。由于每个银行卡或设备优惠有次数限制，期望利用优惠活动获取大量利益的人在交易时会频繁地更换银行卡、用不同的手机去交易，这类交易人便具有高级群的交易特征。交易时，只要手机号、***、设备类型有一项是重叠的，那么其交易便会被计算入一个集群。例如，第一次和第二次交易都用苹果手机，第二次和第三次交易都用卡2，那么这两组交易就被认定为是一个人操作，该操作人便拥有了总计为3的集群大小。在一个实施例中，集群大小大于50的交易人被认定为高级***易人。

在此基础上，以某一时间片段的交易特征为基准，将其它周交易记录根据时间间隔远近，通过权重的方式叠加至该交易片段，生成可供分类模型学习的特征变量。在此实施例中，通过将上述交易特征按照时间以及相应的权重进行叠加来得到特征变量。具体地，其相关表达式如下：

其中X _j 表示按照权重叠加后的第j个时间片段内交易特征，其后续作为模型学习的特征变量；表示在考察第j个时间片段的交易情况时，需要被叠加的第j’个时间片段的交易特征；为在考察第j个时间片段的交易情况时，对应于第j’个时间片段的影响权重。在一个实施例中，按照第j个时间片段与第j'个时间片段的间隔时间长短，其权重系数可按图2及对应的图3中示出的表格进行赋值，该表格表现出的一个特性是：某一历史交易片段在时间上越接近所考察的时间片段，则其相对应的影响权重越高。在模型中引入历史交易数据对当前交易片段的权重影响，能够更全面合理的对黄牛交易行为进行检测，有效应对黄牛反检测行为。

基于以上得出的特征变量，采用GBDT逻辑回归的模型，可以对商户交易行为进行评分，量化各商户黄牛行为的严重程度。例如，可以为各个交易特征设定阈值条件，并且根据表示各个交易特征的量是否达到相应的阈值条件来为交易行为进行评分。在一个实施例中，当有5个交易特征达到阈值条件，则为此交易行为评5分。当更多的交易特征达到阈值时，为此交易行为评出更高的分。越高的分数表示此交易行为越有可能属于某一类型的交易行为。当然，也可以采用其它的评分机制来确定交易行为的类型。

在一个实施例中利用聚类模型根据所述交易特征参数对所述交易行为判断方法的影响将所述交易特征参数进行分类。可以采用利用GBDT分类模型所获取的交易特征，根据其对交易行为判断影响的权重，独立地对各交易特征进行聚类分析。在一个实施例中，可以利用K-Means聚类分析模型，将预测样本分为三类，分别对应特征严重影响、一般影响、较小影响三个标签，可以对所要判断的交易行为类型的交易证据进行合理的获取和解释。本发明所提及的对要判断的交易行为类型的证据的获取的聚类方法可以是其它聚类方法。本发明的方案所示例的根据“严重影响”、“一般影响”、“影响较小”划分的聚类个数（三个）可以根据实际解释需求增加或缩减。以此方式，利用模型对获取的交易特征进行影响重要度排序，对影响权重叫小的特征可以进行删减，以降低特征噪声。再利用筛选过后的特征利用模型进一步学习和测试，从而为后续模型的检测和证据解释提供支撑。

在另一个实施例中，方法100还根据在上述步骤中分类的交易特征参数来调整GBDT逻辑回归模型。同时考虑到交易人进行反检测的可能性，在考察当前交易片段交易信息时，综合考虑历史交易数据中同类交易特征，并根据其与当前时间片段间隔的远近赋予权重系数作为模型的特征进行学习和训练。在此基础上，根据获取特征提出以下将详细阐述的聚类的特征评估方法，通过交易特征对商户交易证据进行合理获取，使得检测模型具有较强的可解释性。

在按照本发明的第二方面所提供的交易行为判断***400包括样本数据生成模块410、交易特征参数生成模块420以及交易行为类型判断模块430。其中，样本数据生成模块410配置成生成已知类型交易行为的样本数据。在一个实施例中，已知类型交易行为由样本数据生成模块410利用规则判断方法对某一交易时间段内的商户进行判断而得到的，从而生成数据样本以供GBDT（梯度提升决策树）分类模型学习。在一些实施例中，样本数据生成模块410通过提取建模实体的自身属性及行为属性，结合基于规则的线性风险计算模型，实现互联网医疗的黄牛风险控制；或者通过统计商户相对于商圈范围内其它商户的总体手机号码异复率，评定商圈范围内各商户的刷单可能性等级；或者通过以银行汇路交易笔数作为特征，对银行汇路进行监控，当监控银行汇路的交易笔数大于预设阈值，则视为异常交易汇路并关闭该设备。

然后，交易特征参数生成模块420利用样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数。在一个实施例中，在对当前时间片段内交易行为的检测中，交易特征参数生成模块420根据黄牛行为所针对的优惠活动，获取优惠相关交易金额、交易次数、连续多笔相同金额交易片段、交易相关交易人集群特征及交易异地分散度等交易特征。

交易特征参数生成模块420通过GBDT分类模型对样本数据进行学习来得到交易特征参数。结合所生成的已知类型交易行为的样本参数与GBDT分类模型，既可以合理地对所生成的已知类型交易行为的样本参数进行模型拟合，以识别当前时间片段内的要判断的交易行为类型的商户，由可以通过自学习可以对特征进行合理获取。从而无需人工判定特征权重赋值，具有更好的检测扩展性。

接着，交易行为类型判断模块430根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的所述交易特征参数对所述未知类型交易行为进行判断。交易行为类型判断模块430可以通过对交易行为进行评分来判断。

具体的，在一种实施方式中，交易行为类型判断模块430对商户交易数据按照一周（7日）为一个周期进行划分，对当前7日的交易数据片段和近12周的交易数据进行特征获取，以得到单个周期内的交易特征、历史时间片段内的交易特征以及12周内交易相关的交易人集群异地交易等特征。其中单个周期（在此实施例中为7日）内的交易特征可以包括但不限于：周交易次数、周交易总金额、周优惠交易次数以及周优惠交易金额。历史时间片段（在此实施例中为12周）内的交易特征可以包括但不限于：最大连续金额交易的总金额、最大连续金额交易的长度、最大连续优惠交易的金额以及最大连续优惠交易的长度。交易相关的交易人集群异地交易特征包括但不限于：高集***易人交易数占总交易人交易数的比例以及交易人地理（例如，可以按照省市区划分）分散程度。

在此基础上，交易行为类型判断模块430以某一时间片段的交易特征为基准，将其它周交易记录根据时间间隔远近，通过权重的方式叠加至该交易片段，生成可供分类模型学习的特征变量。在此实施例中，交易行为类型判断模块430通过将上述交易特征按照时间以及相应的权重进行叠加来得到特征变量。具体地，其相关表达式如下：

其中X _j 表示按照权重叠加后的第j个时间片段内交易特征，其后续作为模型学习的特征变量；表示在考察第j个时间片段的交易情况时，需要被叠加的第j’个时间片段的交易特征；为在考察第j个时间片段的交易情况时，对应于第j’个时间片段的影响权重。在一个实施例中，按照第j个时间片段与第j'个时间片段的间隔时间长短，其权重系数可按图2及对应的图3中示出的表格进行赋值。该表格表现出的一个特性是：某一历史交易片段在时间上越接近所考察的时间片段，则其相对应的影响权重越高。通过在模型中引入历史交易数据对当前交易片段的权重影响，能够更全面合理的对黄牛交易行为进行检测，有效应对黄牛反检测行为。

基于以上得出的特征变量，交易行为类型判断模块430采用GBDT逻辑回归的模型，可以对商户交易行为进行评分，量化各商户黄牛行为的严重程度。例如，交易行为类型判断模块430可以为各个交易特征设定阈值条件，并且根据表示各个交易特征的量是否达到相应的阈值条件来为交易行为进行评分。在一个实施例中，当有5个交易特征达到阈值条件，则交易行为类型判断模块430为此交易行为评5分。当更多的交易特征达到阈值时，为此交易行为评出更高的分。越高的分数表示此交易行为越有可能属于某一类型的交易行为。当然，也可以采用其它的评分机制来确定交易行为的类型。

在一个实施例中，交易特征参数分类模块440利用聚类模型根据所述交易特征参数对所述交易行为判断方法的影响将所述交易特征参数进行分类。交易特征参数分类模块440可以采用利用GBDT分类模型所获取的交易特征，根据其对交易行为判断影响的权重，独立地对各交易特征进行聚类分析。在一个实施例中，交易特征参数分类模块440可以利用K-Means聚类分析模型，将预测样本分为三类，分别对应特征严重影响、一般影响、较小影响三个标签，以对所要判断的交易行为类型的交易证据进行合理的获取和解释。本发明所提及的对要判断的交易行为类型的证据的获取的聚类方法可以是其它聚类方法。本发明的方案所示例的根据“严重影响”、“一般影响”、“影响较小”划分的聚类个数（三个）可以根据实际解释需求增加或缩减。以此方式，利用模型对获取的交易特征进行影响重要度排序，对影响权重叫小的特征可以进行删减，以降低特征噪声。再利用筛选过后的特征利用模型进一步学习和测试，从而为后续模型的检测和证据解释提供支撑。

在另一个实施例中，交易行为判断***400还根据在上述步骤中分类的交易特征参数来调整GBDT逻辑回归模型。同时考虑到交易人进行反检测的可能性，在考察当前交易片段交易信息时，综合考虑历史交易数据中同类交易特征，并根据其与当前时间片段间隔的远近赋予权重系数作为模型的特征进行学习和训练。在此基础上，根据获取特征提出以下将详细阐述的聚类的特征评估方法，通过交易特征对商户交易证据进行合理获取，使得检测模型具有较强的可解释性。

在图5中示出了根据本发明的一个实施例的用于执行根据本发明的一个实施例的交易行为判断方法的计算机设备。如图5所示，计算机设备500包括存储器501和处理器502。虽然未图示，但是计算机设备500还包括存储在存储器501上并可在处理器502上运行的计算机程序。所述处理器执行所述程序时实现例如如图1所示的根据本发明的一个实施例的交易行为判断方法的各个步骤。

另外，如上所述，本发明也可以被实施为一种记录介质，在其中存储有用于使计算机执行根据本发明的一个实施例的交易行为判断方法的程序。

在此，作为记录介质，能采用盘类（例如，磁盘、光盘等）、卡类（例如，存储卡、光卡等）、半导体存储器类（例如，ROM、非易失性存储器等）、带类（例如，磁带、盒式磁带等）等各种方式的记录介质。

通过在这些记录介质中记录使计算机执行上述实施例中的交易行为判断方法的计算机程序。而且，在计算机上装载上述记录介质，由计算机读出在记录介质中记录的计算机程序并储存在存储器中，计算机所具备的处理器（CPU：Central Processing Unit（中央处理单元）、MPU：Micro Processing Unit（微处理单元））从存储器读出该计算机程序并执行，由此，能执行上述实施方式中的交易行为判断方法。

以上示例主要说明了本发明的一种交易行为判断方法、***、计算机设备和记录介质。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围的情况下以许多其它的形式实施。因此，所展示的示例与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (16)

1.一种交易行为判断方法，包括：

生成已知类型交易行为的样本数据；

利用所述样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数；以及

根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的所述交易特征参数对所述未知类型交易行为进行判断。

2.根据权利要求1所述的交易行为判断方法，其中所述生成已知类型交易行为的样本数据的步骤通过规则判断来实现。

3.根据权利要求1所述的交易行为判断方法，其中得到所述交易特征参数的步骤通过GBDT分类模型对所述样本数据进行学习来实现。

4.根据权利要求1所述的交易行为判断方法，其中所述判断的步骤包括：

利用GBDT逻辑回归模型根据基于所述交易特征参数的交易特征变量对所述交易行为进行评分；以及

根据所述评分判断所述交易行为的类型。

5.根据权利要求1至4中的任一项所述的交易行为判断方法，其中所述交易特征参数包括下列中的一个或多个：交易次数、交易金额、优惠交易次数、优惠交易金额、连续金额交易的参数、连续优惠交易的参数、高集***易人交易数占比以及交易人地理分散程度。

6.根据权利要求5所述的交易行为判断方法，还包括：

利用聚类模型根据所述交易特征参数对所述交易行为判断方法的影响将所述交易特征参数进行分类。

7.根据权利要求6所述的交易行为判断方法，还包括：

根据分类的所述交易特征参数来调整所述GBDT逻辑回归模型。

8.一种交易行为判断***，包括：

样本数据生成模块，其配置成生成已知类型交易行为的样本数据；

交易特征参数生成模块，其配置成利用所述样本数据得到交易特征参数集，所述交易特征参数集包括用于判断交易行为类型的交易特征参数；以及

交易行为类型判断模块，其配置成根据未知类型交易行为的相关联的历史交易数据和当前交易数据中的所述交易特征参数对所述未知类型交易行为进行判断。

9.根据权利要求8所述的交易行为判断***，其中所述样本数据生成模块还配置成通过规则判断来生成所述已知类型交易行为的样本数据。

10.根据权利要求8所述的交易行为判断***，其中所述交易特征参数生成模块还配置成通过GBDT分类模型对所述样本数据进行学习来得到所述交易特征参数。

11.根据权利要求8所述的交易行为判断***，其中所述交易行为类型判断模块还配置成：

利用GBDT逻辑回归模型根据基于所述交易特征参数的交易特征变量对所述交易行为进行评分；以及

根据所述评分判断所述交易行为的类型。

12.根据权利要求8至11中的任一项所述的交易行为判断***，其中所述交易特征参数包括下列中的一个或多个：交易次数、交易金额、优惠交易次数、优惠交易金额、连续金额交易的参数、连续优惠交易的参数、高集***易人交易数占比以及交易人地理分散程度。

13.根据权利要求12所述的交易行为判断***，还包括：

交易特征参数分类模块，其配置成利用聚类模型根据所述交易特征参数对所述交易行为判断方法的影响将所述交易特征参数进行分类。

14.根据权利要求13所述的交易行为判断***，其中所述交易行为类型判断模块还配置成：

根据分类的所述交易特征参数来调整所述GBDT逻辑回归模型。

15.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现根据权利要求1至7中的任一项所述的方法的步骤。

16.一种记录介质，其上存储有计算机程序，其特征在于，该程序可被计算机执行以实现根据权利要求1至7中的任一项所述的方法的步骤。