CN110175924A - 一种风险网络构建方法和装置 - Google Patents

一种风险网络构建方法和装置 Download PDF

Info

Publication number
CN110175924A
CN110175924A CN201910284392.1A CN201910284392A CN110175924A CN 110175924 A CN110175924 A CN 110175924A CN 201910284392 A CN201910284392 A CN 201910284392A CN 110175924 A CN110175924 A CN 110175924A
Authority
CN
China
Prior art keywords
risk
information
feature
buyer
advance
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
Application number
CN201910284392.1A
Other languages
English (en)
Other versions
CN110175924B (zh
Inventor
楼彬
刘颖琪
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910284392.1A priority Critical patent/CN110175924B/zh
Publication of CN110175924A publication Critical patent/CN110175924A/zh
Application granted granted Critical
Publication of CN110175924B publication Critical patent/CN110175924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q40/08—Insurance

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提供一种风险网络构建方法和装置，先将赔付过的订单信息与预定义风险特征信息进行对比，根据对比结果筛选出风险订单；再根据不同风险订单信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；利用所述黑样本订单提取出针对先行赔付***的非法盈利模式，将交易模式符合所述非法盈利模式的买家和卖家构建为风险网络。从而可以根据该风险网络升级对于先行赔付的风控处理方式，避免非法分子套取赔付资金。

Description

一种风险网络构建方法和装置
技术领域
本说明书涉及互联网领域，尤其涉及一种风险网络构建方法和装置。
背景技术
为了保证消费者的权益，交易平台推出了先行赔付服务，举例说明：订单险是一种交易平台联合保险机构推出的先行赔付服务，购买了订单险的交易，若买家退款时发起维权流程，而卖家在预定时间内未完成该笔退款，则由保险机构先行赔付该笔具有订单险服务保障的退款，再对卖家进行追偿。而若该笔退款没有在卖家处追偿成功，则会造成交易平台或保险机构的财产损失。
目前，存在不法分子同时掌握买家、卖家双方账号，在该先行赔付服务中非法套取资金，而目前尚没有一种较好的方法对这样的风险行为进行识别和处理。
发明内容
针对上述技术问题，本说明书实施例提供一种风险网络构建方法和装置，技术方案如下：
根据本说明书实施例的第一方面，提供一种风险网络构建方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，该方法包括：
接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
根据本说明书实施例的第二方面，提供一种基于风险网络构建方法的赔付风险检测方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，该方法包括：
接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
根据本说明书实施例的第三方面，提供一种风险网络构建装置，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，该装置包括：
订单获取模块：用于接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
风险筛选模块：用于对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
样本获取模块：用于根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
网络构建模块：用于利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
根据本说明书实施例的第四方面，提供一种基于风险网络构建装置的赔付风险检测装置，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，该装置包括：
信息获取模块：用于接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
风险计算模块：用于将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
根据本说明书实施例的第五方面，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一种风险网络构建方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，该方法包括：
接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
本说明书实施例所提供的技术方案，先将赔付过的订单信息与预定义风险特征信息进行对比，根据对比结果筛选出风险订单；再根据不同风险订单信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；利用所述黑样本订单提取出针对先行赔付***的非法盈利模式，将交易模式符合所述非法盈利模式的买家和卖家构建为风险网络。从而可以根据该风险网络升级对于先行赔付的风控处理方式，避免非法分子套取赔付资金。
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是本说明书一示例性实施例示出的风险网络构建方法的一种流程图；
图2是本说明书一示例性实施例示出的非法盈利模式的一种示意图；
图3是本说明书一示例性实施例示出的风险网络的一种示意图；
图4是本说明书一示例性实施例示出的扩散风险网络的一种示意图；
图5是本说明书一示例性实施例示出的赔付风险检测方法的另一种流程图；
图6是本说明书一示例性实施例示出的风险网络构建装置的一种示意图；
图7是本说明书一示例性实施例示出的赔付风险检测装置的一种示意图；
图8是本说明书一示例性实施例示出的针对买家卖家挖掘方法的一种示意图；
图9是本说明书一示例性实施例示出的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了保证消费者的权益，交易平台推出了先行赔付服务，举例说明：订单险是一种交易平台联合保险机构推出的先行赔付服务，购买了订单险的交易，若买家退款时发起维权流程，而卖家在预定时间内未完成该笔退款，则由保险机构先行赔付该笔具有订单险服务保障的退款，再对卖家进行追偿。而若该笔退款没有在卖家处追偿成功，则会造成交易平台或保险机构的财产损失。
目前，存在不法分子同时掌握买家、卖家双方账号，在该先行赔付服务中非法套取资金，而目前尚没有一种较好的方法对这样的风险行为进行识别和处理。
针对以上问题，本说明书实施例提供一种风险网络构建方法，以及一种用于执行该方法的风险网络构建装置。本说明书实施例提到的方法主要应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款。
下面对本实施例涉及的风险网络构建方法进行详细说明，参见图1所示，该方法可以包括以下步骤：
S101，接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
先行赔付服务一般是以保险的形式对交易进行保障，以淘宝平台的订单险进行举例说明：当淘宝买家与具有“消费者保障服务”的卖家通过支付宝服务进行交易后，若因该交易导致买家权益受损，且在买家直接要求卖家处理未果的情况下，买家有权在交易成功后向淘宝发起该笔交易的维权投诉，并提出赔付申请。当淘宝根据相关规则判定买家赔付申请成立后，则直接将退款赔付给买家，避免买家的等待，用户体验较好。赔付同时开启对于卖家的追偿。若卖家不是非法套取资金的黑产分子，则可从卖家提供的保证金等处追偿成功，但非法套取资金的黑产卖家处通常无法追偿成功，造成了赔付资金的损失。
通常来说，在交易平台的先行赔付流程中，需要针对买卖双方的综合信息生成三个主要审核阶段，分别是使用先行赔付对交易进行保障的通过审核(卖家购买订单险的资质审核)，买家发起维权的通过审核，对维权信息进行查看后的赔付审核，具体流程如下：
1)针对购买先行赔付服务的交易进行核定，根据购买用户的自身信息和交易信息判断所述用户的当笔交易是否符合先行赔付服务购买条件，若符合条件，则生成保单；
2)接收买家针对交易意外发起的报案请求，判断所述买家是否符合报案条件，若符合条件，则接收所述报案请求并生成报案单；
3)根据订单信息、物流信息和买卖家信息综合判断所述报案请求是否符合先行赔付条件，若符合条件，则进行赔付并生成理赔单。
具体地，本实施例对全局赔付率进行监控，即每隔预定时间计算一次全局赔付率，以确定实时赔付率是否发生异常。
一般情况下，赔付率异常指的是赔付率高于平均水平或预设阈值，这表明在过去一段时间内的先行赔付行为较多，赔付率的计算可能有多种方式，例如：
全局赔付率＝(赔款支出÷保费收入)×100％，或，
全局赔付率＝(赔付订单数÷交易订单数)×100％，等
S102，对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
当先行赔付率发生异常后，***开始对订单进行数据提取。此处的订单指的是发生过先行赔付的交易订单。将这些订单中的买家特征与预定义的风险买家特征进行对比，将这些订单中的卖家特征与预定义的风险卖家特征进行对比，将这些订单中的商品特征与预定义的风险商品特征进行对比。进而可根据对比结果筛选出具有风险的订单。
对各个特征举例说明：
预定义风险买家特征可包括：买家存在批量下单行为、买家的下单时间聚集在同一时段、买家的退货维权率高于预设阈值和/或买家填写的维权原因有重复性等。
预定义风险卖家特征可包括：相同时间段发生先行赔付的卖家店铺名称相近、卖家店铺装修过于简单、卖家店铺的商品数量少于预设阈值和/或卖家店铺资金的流入流出频率高于预设阈值等。
预定义风险商品特征可包括：商品标题存在生僻字和/或商品详情页描述过于简单。
其中，预定义的风险买家特征，风险卖家特征和商品特征可以根据历史数据和经验进行总结和添加，本实施例对具体的特征种类不做限定。
将上述特征与预定义的风险特征进行对比后，根据对比结果确定具有风险的订单并进行下一步的判断。其中，根据对比结果确定具有风险的订单可通过多种方式实现，举例说明其中两种：
a)单笔订单中的买家，卖家，商品总共符合的风险特征在预设个数之上时，将这笔订单判定为有风险的订单；
b)设定不同风险特征的权重值，若单笔订单累加的风险权重值在预设阈值之上时，将这笔订单判定为有风险的订单。
S103，根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
具体地，获取风险订单后，可提取不同风险订单在先行赔付流程中生成的单据信息，在本实施例中，该单据信息可包括保险单据信息，报案单据信息和理赔单据信息；
具体地，可从保险单据信息中提取支付方式信息，支付时间信息，物流信息和先行赔付服务生效时间信息等；从报案单据信息中提取买家提交的维权时间信息，维权原因信息，维权金额信息和是否需要退货信息等；从理赔单据信息中提取维权通过时间信息和理赔金额信息等；
通过提取出的这些指标信息可以获取非法赔付订单的共同特征，举例说明：存在多个不同买家卖家在同一商品上的产生的聚集性特征、存在多个不同买家卖家在理赔时间上产生的聚集性特征、存在多个不同买家卖家在理赔金额上产生的聚集性特征等，以及卖家存在的代付行为异常、交易中存在的物流信息异常、交易行为轨迹异常，卖家账号活动异常等。将具有这些共同特征的风险订单圈定为黑样本订单。
S104，利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
圈定黑样本订单后，利用这些黑样本订单在先行赔付流程中的行为信息提取出针对先行赔付***的非法盈利模式，这样的非法盈利模式一般有多种形式。本实施例对其中一种非法盈利模式进行举例说明：参考图2，该非法盈利模式分为四个步骤，如下：
1)黑产买家针对黑产卖家提起维权请求；
2)黑产卖家同时该维权请求提出的退款；
3)黑产卖家保持账户余额不足，无法扣款状态，且持续时间超过24小时；
4)订单险方(蚂蚁保险)在24小时后，向黑产买家进行先行赔付。
可以看出，本实施例是根据过去一段时间的风险订单提取过去一段时间内非法分子主要使用的非法盈利模式，可以针对非法分子行为的实时性行为进行监控总结。并根据该当前非法盈利模式实时升级风险控制***。
参见图3，在提取出非法盈利模式之后，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。进一步地，除了非法盈利模式特征信息外，买家卖家的其他特征信息也可作为风险网络的构建元素。例如：卖家买家若连接了同一个WIFI，则可增加这两方的非法关系权重，在风险网络中，可表现为增加买家卖家节点之间连接的边的权重。
参加图4，构建风险网络后，进一步对该风险网络进行同人账号扩散，即对风险网络中买家账号和卖家账号进行信息挖掘，确定所述账号的持有人所注册的其他账号，基于所述其他账号对所述风险网络进行扩散。具体地,可针对风险网络中的任一账号，获取所述账号的持有人所注册的其他账号，将所述其他账号确定为所述风险网络的新节点。
基于上述构建出的风险网络，本说明书还提供一种基于该风险网络的赔付风险检测方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，参见图5，所述方法包括
S501，接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
S502，将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
若计算出的风险概率高于预设阈值，可采取对所述报案单进行拦截处理，或限制所述报案单的买卖双方的先行赔付服务功能等。
具体地，在进行风险控制时，可引入DistRep算法。
基于订单险的业务特点，如果我们把卖家和买家抽象为结点，两者之间存在的保单抽象为边，参考图8，卖家与买家之间的关系可以用graph model表示，可以看出，订单险风控可以转化为边预测问题。即基于一笔交易的买卖家来判断这笔交易是否会有风险。
graph model不仅可以有效的刻画出买家与卖家的交互关系，参见图8，通过中间结点，还能很好的把买家与买家,卖家与卖家之间的隐蔽关系揭示出来。因此，graph model可以用于应对黑产团伙隐蔽作案难以被发现，手段经常变换更新的特点。
具体地，可令G＝<N,E>,,其中N表示图G的结点集合，E表示连接结点的边的集合，对于边eij∈E,eij＝<yij,ni,nj>,其中ni表示node i,nj表示node j，yij表示eij是否为套现边，其取值为0或者1。根据当前t0时刻的图G，预测未来t1时刻G中新增边eij是否为套现边yij的似然概率,即给定边eij，求p(yij∣eij)。使用最大似然估计的方法求解模型参数估计问题，即对于观察到的边eij,最大化的y^的log概率,具体地，该概率公式可以表示如下：
相应于上述方法实施例，本说明书实施例还提供一种风险网络构建装置，参见图6所示，所述装置可以包括：关系确定模块610，账户筛选模块620和群组确定模块630；
订单获取模块610：用于接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
风险筛选模块620：用于对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
样本获取模块630：用于根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
网络构建模块640：用于利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
基于上述构建出的风险网络，本说明书还提供一种基于该风险网络的赔付风险检测装置，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，参见图7，所述装置包括：
信息获取模块710：用于接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
风险计算模块720：用于将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
本说明书实施例还提供一种计算机设备，其至少包括存储器、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，处理器执行所述程序时实现前述风险网络构建方法，所述方法至少包括：
接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
本说明书实施例还提供一种计算机设备，其至少包括存储器、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，处理器执行所述程序时实现基于前述风险网络构建方法的赔付风险检测方法，所述方法至少包括：
接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
图9示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010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1020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1020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1020中，并由处理器1010来调用执行。
输入/输出接口1030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1040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1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)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1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，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风险网络构建方法，所述方法至少包括：
接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息确定买家和卖家的聚集性特征，将具有所述聚集性特征的订单确定为黑样本订单；
利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
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。
对于装置实施例而言，由于其基本对应于方法实施例，所以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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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说明书方案的目的。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。
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 (23)

1.一种风险网络构建方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，所述方法包括：
接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息，提取买卖双方在同一商品上具有的聚集性特征，将具有所述聚集性特征的订单判定为黑样本订单；
利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
2.如权利要求1所述的方法，所述构造风险网络后，还包括：
针对风险网络中的任一账号，获取所述账号的持有人所注册的其他账号，将所述其他账号确定为所述风险网络的新节点。
3.如权利要求1所述的方法，所述检测到全局赔付率发生异常，包括：
监控赔款支出信息与保费收入信息的变化情况，根据监控到的信息计算全局赔付率；
若所述全局赔付率高于预设阈值，则确定所述全局赔付率发生异常。
4.如权利要求1所述的方法，所述将提取出的买家特征在预定义的风险特征库中进行匹配，包括：
将提取出的买家特征在预定义的风险特征库中进行匹配，确定所述提取出的买家特征与风险买家特征的匹配程度，所述风险买家特征包括：买家存在批量下单行为、买家的下单时间聚集在同一时段、买家的退货维权率高于预设阈值和/或买家填写的维权原因有重复性。
5.如权利要求1所述的方法，所述将提取出的卖家特征在预定义的风险特征库中进行匹配，包括：
将提取出的卖家特征在预定义的风险特征库中进行匹配，确定所述提取出的卖家特征与风险卖家特征的匹配程度，所述风险卖家特征包括：相同时间段发生先行赔付的卖家店铺名称相近、卖家店铺装修过于简单、卖家店铺的商品数量少于预设阈值和/或卖家店铺资金的流入流出频率高于预设阈值。
6.如权利要求1所述的方法，所述将提取出的商品特征在预定义的风险特征库中进行匹配，包括：
将提取出的商品特征在预定义的风险特征库中进行匹配，确定所述提取出的商品特征与风险商品特征的匹配程度，所述风险商品特征包括：商品标题存在生僻字和/或商品详情页描述过于简单。
7.如权利要求1所述的方法，所述先行赔付流程，包括：
针对购买先行赔付服务的交易进行核定，根据购买用户的自身信息和交易信息判断所述用户的当笔交易是否符合先行赔付服务购买条件，若符合条件，则生成保单；
接收用户针对交易意外发起的报案请求，判断所述用户是否符合报案条件，若符合条件，则接收所述报案请求并生成报案单；
根据订单信息、物流信息和买卖家信息综合判断所述报案请求是否符合先行赔付条件，若符合条件，则进行赔付并生成理赔单。
8.如权利要求1所述的方法，所述根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息，提取买卖双方在同一商品上具有的聚集性特征，包括：
提取不同风险订单在先行赔付流程中生成的单据信息，所述单据信息包括保险单据信息，报案单据信息和理赔单据信息；
从保险单据信息中提取支付方式信息，支付时间信息，物流信息和先行赔付服务生效时间信息；
从报案单据信息中提取买家提交的维权时间信息，维权原因信息，维权金额信息和是否需要退货信息；
从理赔单据信息中提取维权通过时间信息和理赔金额信息；
根据提取出的各项信息，确定买卖双方在同一商品上具有的聚集性特征。
9.一种基于权利要求1所述风险网络构建方法的赔付风险检测方法，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，所述方法包括：
接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
10.如权利要求9所述的方法，所述计算当前保险单的风险概率后，还包括：
若计算出的风险概率高于预设阈值，对所述报案单进行拦截处理。
11.如权利要求10所述的方法，所述计算当前保险单的风险概率后，还包括：
若计算出的风险概率高于预设阈值，限制所述报案单的买卖双方的先行赔付服务功能。
12.一种风险网络构建装置，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，所述装置包括：
订单获取模块：用于接收到全局赔付率异常信息后，在进行过先行赔付的订单列表中，根据时间字段信息获取符合预定时间条件的订单；
风险筛选模块：用于对所获取的订单进行特征提取，将提取出的买家特征，卖家特征与商品特征分别在预定义的风险特征库中进行匹配，根据匹配结果筛选出风险订单；
样本获取模块：用于根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息，提取买卖双方在同一商品上具有的聚集性特征，将具有所述聚集性特征的订单判定为黑样本订单；
网络构建模块：用于利用所述黑样本订单提取出至少一种针对先行赔付***的非法盈利模式，以交易模式符合所述非法盈利模式的买家账号和卖家账号为节点，以买卖双方的非法盈利关系为边，构建风险网络。
13.如权利要求12所述的装置，所述构造风险网络后，还包括：
针对风险网络中的任一账号，获取所述账号的持有人所注册的其他账号，将所述其他账号确定为所述风险网络的新节点。
14.如权利要求12所述的装置，所述检测到全局赔付率发生异常，包括：
监控赔款支出信息与保费收入信息的变化情况，根据监控到的信息计算全局赔付率；
若所述全局赔付率高于预设阈值，则确定所述全局赔付率发生异常。
15.如权利要求12所述的装置，所述将提取出的买家特征在预定义的风险特征库中进行匹配，包括：
将提取出的买家特征在预定义的风险特征库中进行匹配，确定所述提取出的买家特征与风险买家特征的匹配程度，所述风险买家特征包括：买家存在批量下单行为、买家的下单时间聚集在同一时段、买家的退货维权率高于预设阈值和/或买家填写的维权原因有重复性。
16.如权利要求12所述的装置，所述将提取出的卖家特征在预定义的风险特征库中进行匹配，包括：
将提取出的卖家特征在预定义的风险特征库中进行匹配，确定所述提取出的卖家特征与风险卖家特征的匹配程度，所述风险卖家特征包括：相同时间段发生先行赔付的卖家店铺名称相近、卖家店铺装修过于简单、卖家店铺的商品数量少于预设阈值和/或卖家店铺资金的流入流出频率高于预设阈值。
17.如权利要求12所述的装置，所述将提取出的商品特征在预定义的风险特征库中进行匹配，包括：
将提取出的商品特征在预定义的风险特征库中进行匹配，确定所述提取出的商品特征与风险商品特征的匹配程度，所述风险商品特征包括：商品标题存在生僻字和/或商品详情页描述过于简单。
18.如权利要求12所述的装置，所述先行赔付流程，包括：
针对购买先行赔付服务的交易进行核定，根据购买用户的自身信息和交易信息判断所述用户的当笔交易是否符合先行赔付服务购买条件，若符合条件，则生成保单；
接收用户针对交易意外发起的报案请求，判断所述用户是否符合报案条件，若符合条件，则接收所述报案请求并生成报案单；
根据订单信息、物流信息和买卖家信息综合判断所述报案请求是否符合先行赔付条件，若符合条件，则进行赔付并生成理赔单。
19.如权利要求12所述的装置，所述根据不同风险订单的买卖双方在交易阶段产生的交易行为信息和赔付阶段产生的赔付行为信息，提取买卖双方在同一商品上具有的聚集性特征，包括：
提取不同风险订单在先行赔付流程中生成的单据信息，所述单据信息包括保险单据信息，报案单据信息和理赔单据信息；
从保险单据信息中提取支付方式信息，支付时间信息，物流信息和先行赔付服务生效时间信息；
从报案单据信息中提取买家提交的维权时间信息，维权原因信息，维权金额信息和是否需要退货信息；
从理赔单据信息中提取维权通过时间信息和理赔金额信息；
根据提取出的各项信息，确定买卖双方在同一商品上具有的聚集性特征。
20.一种基于权利要求12所述风险网络构建装置的赔付风险检测装置，应用于先行赔付***，所述先行赔付***用于代替卖家为符合条件的买家先行赔付退款，所述装置包括：
信息获取模块：用于接收到买家针对退款提交的报案单后，获取对应交易的买家信息与卖家信息；
风险计算模块：用于将所述买家信息与卖家信息在风险网络中进行匹配，根据所述买家和卖家在风险网络中的关联程度和风险程度计算当前报案单的风险概率。
21.如权利要求20所述的装置，所述计算当前保险单的风险概率后，还包括：
若计算出的风险概率高于预设阈值，对所述报案单进行拦截处理。
22.如权利要求21所述的装置，所述计算当前保险单的风险概率后，还包括：
若计算出的风险概率高于预设阈值，限制所述报案单的买卖双方获的先行赔付服务功能。
23.一种计算机设备，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。
CN201910284392.1A 2019-04-10 2019-04-10 一种风险网络构建方法和装置 Active CN110175924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284392.1A CN110175924B (zh) 2019-04-10 2019-04-10 一种风险网络构建方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284392.1A CN110175924B (zh) 2019-04-10 2019-04-10 一种风险网络构建方法和装置

Publications (2)

Publication Number Publication Date
CN110175924A true CN110175924A (zh) 2019-08-27
CN110175924B CN110175924B (zh) 2023-01-20

Family

ID=67689591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284392.1A Active CN110175924B (zh) 2019-04-10 2019-04-10 一种风险网络构建方法和装置

Country Status (1)

Country Link
CN (1) CN110175924B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743697A (zh) * 2020-08-21 2021-12-03 西安京迅递供应链科技有限公司 一种风险告警方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987919A (zh) * 2006-10-30 2007-06-27 孙启亮 电子商务中企业信用激励方法和***
WO2016172938A1 (zh) * 2015-04-30 2016-11-03 深圳市银信网银科技有限公司 网络交易的退款方法及***
CN106600353A (zh) * 2015-10-19 2017-04-26 阿里巴巴集团控股有限公司 一种网上交易理赔处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987919A (zh) * 2006-10-30 2007-06-27 孙启亮 电子商务中企业信用激励方法和***
WO2016172938A1 (zh) * 2015-04-30 2016-11-03 深圳市银信网银科技有限公司 网络交易的退款方法及***
CN106600353A (zh) * 2015-10-19 2017-04-26 阿里巴巴集团控股有限公司 一种网上交易理赔处理方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743697A (zh) * 2020-08-21 2021-12-03 西安京迅递供应链科技有限公司 一种风险告警方法和装置

Also Published As

Publication number Publication date
CN110175924B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
US11443324B1 (en) Systems and method for providing card account controls and purchase impact information
US9661012B2 (en) Systems and methods for identifying information related to payment card breaches
US11727407B2 (en) Systems and methods for detecting out-of-pattern transactions
US20220027915A1 (en) Systems and methods for processing transactions using customized transaction classifiers
US20090018955A1 (en) Method and apparatus for providing user access to payment methods
US20220188801A1 (en) Cryptocurrency payment and distribution platform
KR101794221B1 (ko) 온라인 판매자의 정산 서비스를 위한 시스템 및 방법
US11386488B2 (en) System and method for combining product specific data with customer and merchant specific data
CN110009365B (zh) 非正常转移电子资产的用户群体检测方法、装置和设备
US20240070236A1 (en) Asset-class backed tokenization platform
CN112118116A (zh) 基于电子商务平台中的设置来推荐商家讨论组的***和方法
JP6679648B2 (ja) 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム
EP4149046A1 (en) Systems and methods for blockchain network congestion-adaptive digital asset event handling
JP2011159225A (ja) 与信取引システム及びその方法
US20210142316A1 (en) Gift card management system
JP6294193B2 (ja) 取引管理システムおよび取引管理方法
JP2002092328A (ja) 株式売買システム及び株式売買方法
CN110175924A (zh) 一种风险网络构建方法和装置
US20170109675A1 (en) Systems and methods for identifyhing and monitoring a supply network using a payment processing network
CN110633966A (zh) 基于区块链的合同证券化方法及装置
CN111222924A (zh) 一种基于正态分布概率密度函数的互联网交易平台不确定性评价滤波***
US20240144654A1 (en) System and method for automated construction of data sets for retraining a machine learning model
US11756057B2 (en) Method and system for estimating vulnerability and systemic importance in transaction networks
US20240020683A1 (en) Methods and systems for multiple gating verifications based on a blockchain wallet
Remya et al. Mobile App for Tracking and Managing of Online Orders in E-Commerce Website

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
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant