CN110378699A - 一种交易反欺诈方法、装置及*** - Google Patents
一种交易反欺诈方法、装置及*** Download PDFInfo
- Publication number
- CN110378699A CN110378699A CN201910675300.2A CN201910675300A CN110378699A CN 110378699 A CN110378699 A CN 110378699A CN 201910675300 A CN201910675300 A CN 201910675300A CN 110378699 A CN110378699 A CN 110378699A
- Authority
- CN
- China
- Prior art keywords
- transaction
- data
- identified
- sample data
- feature
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例公开了一种交易反欺诈方法、装置及***,所述方法获取待识别交易数据,提取所述待识别交易数据的交易特征数据;利用预设判定规则对所述待识别交易数据进行判定,获得所述待识别交易数据的判定结果;将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。利用本说明书各个实施例,可以实现对实时交易的高效、稳定的风险防控。
Description
技术领域
本发明涉及计算机数据处理技术领域,特别地,涉及一种交易反欺诈方法、装置及***。
背景技术
传统的交易反欺诈***通常采用专家规则识别欺诈风险。专家规则往往仅针对一个风险事件制定,需要凭专家经验在事后数据分析,有滞后性。同时,专家规则也不易更新迭代,部署一段时间后防控效果逐渐变差,需要重新制定,专家规则一旦被欺诈分子破解,会完全失效。因此,本技术领域亟需一种可以更加高效、稳定的交易反欺诈方法。
发明内容
本说明书实施例的目的在于提供一种交易反欺诈方法、装置及***,可以实现对实时交易的高效、稳定的风险防控。
本说明书提供一种交易反欺诈方法、装置及***是包括如下方式实现的:
一种交易反欺诈方法,包括:
获取待识别交易数据,提取所述待识别交易数据的交易特征数据;
利用预设判定规则确定所述交易特征数据进行判定,获得所述待识别交易数据的判定结果;
将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;
利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
本说明书提供的所述方法的另一个实施例中,所述交易特征数据包括交易基础特征数据,所述交易基础特征数据包括所述待识别交易数据中的交易金额特征、交易时间特征、转账类型特征、卡特征、客户特征、账户特征中的一种或者多种组合形成的特征数据。
本说明书提供的所述方法的另一个实施例中,所述交易特征数据包括时序行为特征数据,所述时序特征数据包括所述待识别交易数据的交易金额与历史交易的比对特征、所述待识别交易数据的MAC/IP下的历史交易记录特征、所述待识别交易数据的转出/转入账号下的历史交易记录特征、所述待识别交易数据的地理位置特征。
本说明书提供的所述方法的另一个实施例中,所述交易评估模型采用下述方式构建:
获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
本说明书提供的所述方法的另一个实施例中,根据LR算法对所述交易评估模型进行构建。
本说明书提供的所述方法的另一个实施例中,所述方法还包括:
基于预设时间间隔获取已确认为欺诈交易或非欺诈交易的第一交易数据;
提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理。
另一方面,本说明书实施例还提供一种交易反欺诈装置,所述装置包括:
特征提取模块,用于获取待识别交易数据,提取所述待识别交易数据的交易特征数据;
交易判定模块,用于利用预设判定规则对所述待识别交易数据进行判定,获得所述待识别交易数据的判定结果;
交易评估模块,用于将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;
决策结果确定模块,用于利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
本说明书提供的所述装置的另一个实施例中,所述交易评估模块包括模型构建单元,所述模型构建单元包括:
特征提取单元,用于获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
样本数据划分单元,用于将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
第一模型构建单元,用于将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
第二模型构建单元,用于将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
另一方面,本说明书实施例还提供一种交易反欺诈设备,所述设备包括交易数据接收单元、特征加工单元、规则引擎单元、模型预估服务单元、决策引擎单元、交易反馈单元、核实结果汇总单元、模型自学习单元以及模型训练单元;
所述模型训练单元根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建交易评估模型,并将构建的交易评估模型发布至所述模型预估服务单元;
所述交易数据接收单元接收平台发送的待识别交易数据;
所述特征加工单元接收交易数据接收单元发送的所述待识别交易数据,并提取所述待识别交易数据的交易特征数据;
所述特征加工单元将所述交易特征数据分别发送给所述规则引擎单元以及模型预估服务单元;
所述规则引擎单元基于预设判定规则对所述交易特征数据进行处理,获得所述待识别的交易数据判定结果;
所述模型预估服务单元根据交易评估模型对所述交易特征数据进行处理,获得所述待识别交易数据的评估结果;
所述规则引擎单元以及模型预估服务单元分别将所述判定结果及评估结果发送至决策引擎单元,所述决策引擎单元基于预设决策规则对所述评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果;
所述交易反馈单元将所述反欺诈决策结果反馈至所述平台进行交易干预处理;
所述核实结果汇总单元基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第一交易数据;
所述模型自学习单元提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理,并将更新处理后的交易评估模型发布至所述模型预估服务单元。
另一方面,本说明书实施例还提供一种交易反欺诈***,所述***包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个实施例所述方法的步骤。
本说明书一个或多个实施例提供的交易反欺诈方法、装置及***,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
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中记载的一些实施例,对于本领域普通技术人员来讲,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。在附图中:
图1为本说明书提供的一种交易反欺诈方法实施例的流程示意图;
图2为本说明书提供的一个实施例中的交易评估模型构建流程示意图;
图3为本说明书提供另一个实施例中的交易评估模型更新流程示意图;
图4为本说明书提供的一种交易反欺诈装置实施例的模块结构示意图;
图5为本说明书提供的另一个实施例中的交易反欺诈设备的模块结构示意图;
图6为本说明书提供的另一个实施例中的交易评估模型构建流程示意图;
图7为本说明书提供另一个实施例中的交易评估模型更新流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,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他实施例,都应当属于本说明书实施例方案保护的范围。
传统的交易反欺诈***通常采用专家规则识别欺诈风险。专家规则往往仅针对一个风险事件制定,需要凭专家经验在事后数据分析,有滞后性。同时,专家规则也不易更新迭代,部署一段时间后防控效果逐渐变差,需要重新制定,专家规则一旦被欺诈分子破解,会完全失效。因此,本技术领域亟需一种可以更加高效、稳定的交易反欺诈方法。
相应的,本说明书实施例提供了一种交易反欺诈方法,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
图1是本说明书提供的所述一种交易反欺诈方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的交易反欺诈方法的一个实施例中,所述方法可以包括:
S0:获取待识别交易数据,提取所述待识别交易数据的交易特征数据。
获取各平台发送的实时交易数据,将待识别的实时交易数据作为待识别交易数据。然后,可以提取待识别交易数据的特征,获得待识别交易数据的交易特征数据。一些实施方式中,可以先对待识别交易数据进行格式转换等预处理,以提高特征提取的准确性和高效性,如可以先将表现为字符型但含义为数值的数据做格式转换,转换为数据格式等。
一些实施例中,所述交易特征数据可以包括交易基础特征和/或时序行为特征数据。优选的,本说明书的一个实施例中,所述交易基础特征数据可以包括待识别交易数据的交易金额特征、交易时间特征、卡特征、客户特征、账户特征中的一种或者多种组合形成的特征。所述交易金额特征可以包括分桶、是否有小数、位数、0/9出现的次数以及占比等特征;转账类型特征可以包括是否行内转账、是否通过第三方平台转账等;卡特征可以包括转入、转出卡的***长度、发卡天数、比率等;账户特征可以包括转入、转出客户的开户时间、账户类型等;客户特征可以包括年龄、性别、种族、出生地、教育、婚姻、职业等。
组合原则可以包括重要字段优先组合,有物理意义缺失率低的字段优先组合。一些实施方式中,可以预先对大量历史交易数据的各基础特征对应的字段进行分析,如可以结合算法及专家规则等优选出对评估交易是否为欺诈影响较为明显的字段、以及物理意义缺失率低的字段,然后,将优选出的字段按照一定的拼接规则进行拼接,形成特征向量,获得交易基础特征数据。
利用上述实施例优选的交易基础特征数据可以更加全面准确的表征欺诈交易及非欺诈交易,从而能够提高欺诈交易识别的准确性。
一些实施方式中,所述时序行为特征可以包括交易数据在时间域动态变化过程中所表现出的特征,可以按照时间序列对交易报文中的客户、卡、账户等属性字段序列进行分析以及组合,从而准确刻画交易的复杂模式和风险。其中,组合时可以通过分析各属性字段的聚集性,将聚集性强的字段优先进行组合,聚集性强的字段更能突出某一类交易的特征,从而更能凸显欺诈交易和正常交易的区别,提高最终构建的模型的准确性。本说明书的一个实施例中,优选出的所述时序行为特征可以包括所述待识别交易数据的交易金额与历史交易的比对特征、所述待识别交易数据的MAC/IP下的历史交易记录特征、所述待识别交易数据的转出/转入账号下的历史交易记录特征、所述待识别交易数据的地理位置特征。
所述交易金额与历史交易的比对特征可以包括交易金额与历史交易的最小值、最大值、平均值等比对特征。所述MAC/IP与历史交易的比对特征可以包括所述待识别交易数据的MAC(Media Access Control,介质访问控制)/IP(Internet Protocol Address,互联网协议地址)下发生的交易的时间、卡属性、客户属性的次数、种类、是否高频、是否一致等交易特征。所述转出/转入账号下的历史交易记录特征可以包括同一转出/转入账号下客户年龄和开卡天数对应历史交易记录的统计特征、连续行为类特征(如最近7天内近5次交易额的值、是否与当前交易额相等、累加值、累加值与当前交易额的比值、交易间隔的变化)等。所述地理位置特征可以包括交易地点、转出账号开户地、转入账号开户地相互之间如果相同/不同,是否同历史一致等。
通过分析交易金额与历史数据的比对特征、同一MAC/IP发生的交易特征、同一转出/转入账户下的交易特征、以及交易的地理位置分布特征,可以更加准确确定待识别交易存在的潜在风险性,从而可以进一步提高欺诈交易识别的准确性。
S2:利用预设判定规则对所述交易特征数据进行判定,获得所述待识别交易数据的判定结果。
可以利用预设判定规则对所述交易特征数据进行判定,确定所述待识别交易数据命中的规则。所述预设判定规则可以包括预先构建的专家规则库等,规则库中可以包括不同的规则,各规则所对应的风险大小不同。可以将待识别交易命中的规则作为判定结果输出。
S4:将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得。
将步骤S0获取的交易特征数据输入预先构建的交易评估模型中,对所述交易特征数据进行评估分析,获得所述待识别交易数据的评估结果。所述评估结果可以包括所述待识别交易数据的属于欺诈类交易的概率评分等。所述交易评估模型可以根据确认为欺诈交易的样本数据、确认为正常交易的样本数据以及未进行确认的样本数据构建获得。通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进行模型的构建,可以进一步降低误伤率,提高欺诈交易识别的准确性。
图2表示本说明书提供的另一种交易反欺诈方法实施例流程示意图。如图2所示,本说明书的一个实施例中,所述交易评估模型可以根据下述方式构建获得:
S402:获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
S404:将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
S406:将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
S408:将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
可以获取大量的历史交易数据,然后,对历史交易数据进行特征提取。可以提取各历史交易数据的交易基础特征与时序行为特征,获得初始样本集。其中,特征提取的方法可以参考步骤S0进行。
可以将初始样本集中的样本数据划分为黑样本、白样本及灰样本,所述黑样本可以包括确认为欺诈交易的样本数据,所述白样本可以包括确认为非欺诈交易的样本数据,所述灰样本可以包括未进行确认的交易的样本数据。实际应用中,存在部分已通过电话等方式确认是否为欺诈的交易数据,可以先将该部分数据捞取出来,根据确认的结果进行划分,将确认为欺诈交易的交易数据划归为黑样本数据,将确认为非欺诈交易的交易数据划归为白样本数据。对于未进行过实际确认的交易数据,可以划归为灰样本数据。
可以先将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型。然后,可以再将黑样本及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。将历史交易数据进行精细划分,先利用已经确定的欺诈交易数据进行初步的构建模型,然后,再利用已确定的非欺诈交易数据对模型进行修正,将不能确认为欺诈还是非欺诈的交易数据进行进一步区分,可以降低误伤率,提高利用模型进行欺诈交易数据的准确性。
一些实施方式中,可以利用分类算法对上述模型进行构建。优选的,本说明书的一个或者多个实施例中,可以利用LR(Logistic Regression,逻辑回归)算法进行模型构建。可以将上述特征作为模型的变量输入模型,选定大规模离散LR进行训练;对LR模型的迭代轮数、步长、L1正则、L2正则不断调优,得到初始模型。模训练完成后,可以验证模型效果,判断验证模型效果是否达标,如达标则投入使用;如不达标则对训练数据进行更新或者对算法参数进行调整后重新训练模型。交易反欺诈场景多涉及离散变量,LR算法拥有很强的稳定性,利用LR算法进行模型构建,可以进一步提高模型的稳定性。
图3表示本说明书提供的另一种交易反欺诈方法实施例流程示意图。如图3所示,本说明书的另一个实施例中,所述方法还可以包括:
S410:基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第一交易数据;
S412:提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理。
实际应用场景中,还可以对部分交易数据进行结果核实,确认交易数据为欺诈交易还是正常交易。相应的,可以基于预设时间间隔获取已完成结果核实的交易数据,作为第一交易数据,然后,对第一交易数据进行预处理以及特征提取,预处理与特征提取的方式可以参考上述实施例进行,这里不做赘述。然后,可以根据第一交易数据中各交易数据的核实结果对各交易数据进行打标处理,如,将核实结果为正常交易的交易数据打标为非欺诈,将核实结果为欺诈交易的交易数据打标为欺诈,从而构建获得第一训练集。然后,可以基于第一训练集对已构建好的交易评估模型进行更新处理,以提高交易评估模型的准确性。
还可以验证更新后的交易评估模型的准确度,当准确度满足预设要求时,则将更新后的交易评估模型投入实际应用中进行欺诈识别;若准确度不满足预设要求,则将继续使用原交易评估模型进行欺诈识别,等待至下个自学习时间点,根据最新样本数据重新对模型进行更新训练。通过利用已确认的交易数据对模型进行实时更新处理,可以进一步提高交易欺诈识别的准确性。
S6:利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
可以利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,决策出一个对待识别交易的干预措施。可以通过对大量历史数据的分析确定不同的规则以及风险评估概率值所对应的干预措施。例如,如果判定结果命中高风险规则并且评估结果对应的风险评估概率值较高,则可以直接拒绝该交易;如果判定结果命中高风险规则或者评估结果对应的风险评估概率值较高,则先报警,以进行人工介入核查。一些实施方式中,所述预设决策规则还可以进一步结合业务类型进行预先设定,不同的业务类型下,对高风险交易的干预措施通常会存在一定的差异,通过集合业务类型进行决策规则的确定,可以使得干预措施更符合实际应用需要。
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。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的交易反欺诈方法,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
基于上述所述的交易反欺诈方法,本说明书一个或多个实施例还提供一种交易反欺诈装置。所述的装置可以包括使用了本说明书实施例所述方法的***、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。具体的,图4表示说明书提供的一种交易反欺诈装置实施例的模块结构示意图,如图4所示,所述装置可以包括:
特征提取模块102,可以用于获取待识别交易数据,提取所述待识别交易数据的交易特征数据;
交易判定模块104,可以用于利用预设判定规则对所述待识别交易数据进行判定,获得所述待识别交易数据的判定结果;
交易评估模块106,可以用于将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;
决策结果确定模块108,可以用于利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
本说明书的另一个实施例中,所述交易评估模块106可以包括模型构建单元,所述模型构建单元可以包括:
特征提取单元,可以用于获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
样本数据划分单元,可以用于将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
第一模型构建单元,可以用于将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
第二模型构建单元,可以用于将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书一个或多个实施例提供的交易反欺诈装置,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。因此,本说明书还提供一种交易反欺诈设备,包括处理器及存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括上述任意一个实施例所述方法的步骤。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
图5表示本说明书提供的一个实施例中的交易反欺诈设备结构示意图。如图5所示,该设备可以包括交易数据接收单元1,特征加工单元2,规则引擎单元3,模型预估服务单元4,决策引擎单元5,交易反馈单元6,核实结果汇总单元7,模型自学习单元8和模型训练单元9。
所述模型训练单元9可以根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建交易评估模型,并将构建的交易评估模型发布至所述模型预估服务单元;
所述交易数据接收单元1可以接收平台发送的待识别交易数据;
所述特征加工单元2可以接收交易数据接收单元发送的所述待识别交易数据,并提取所述待识别交易数据的交易特征数据;
所述特征加工单元2可以将所述交易特征数据分别发送给所述规则引擎单元3以及模型预估服务单元4;
所述规则引擎单元3可以基于预设判定规则对所述交易特征数据进行处理,获得所述待识别的交易数据判定结果;
所述模型预估服务单元4可以根据交易评估模型对所述交易特征数据进行处理,获得所述待识别交易数据的评估结果;
所述规则引擎单元3以及模型预估服务单元4可以分别将所述判定结果及评估结果发送至决策引擎单元5,所述决策引擎单元5可以基于预设决策规则对所述评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果;
所述交易反馈单元6可以将所述反欺诈决策结果反馈至所述平台进行交易干预处理;
所述核实结果汇总单元7可以基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第一交易数据;
所述模型自学习单元8可以提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理,并将更新处理后的交易评估模型发布至所述模型预估服务单元4。
如图5所示,利用该交易反欺诈设备进行交易反欺诈识别的具体步骤可以包括:
步骤1.0:各个渠道将交易数据发送至反欺诈识别设备的交易数据接收单元1;
步骤1.1:交易数据接收单元1将交易数据转至特征加工单元2;
步骤1.2:特征加工单元2将加工好的交易特征并行发送至规则引擎单元3和预估服务单元;
步骤1.3:规则引擎单元3通过预设判定规则给出该笔交易的干预措施,将干预措施传入决策引擎单元5。
步骤1.4:预估服务单元4根据模型训练单元9训练的人工智能模型,给出该笔交易的欺诈评分,将预估服务给出的欺诈评分传入决策引擎单元5;
步骤1.5:决策引擎单元5接收来自专家规则和预估服务给出干预措施和欺诈评分,通过业务定义的决策模型决策出一个最终干预措施,传给反欺诈交易反馈模块。
步骤1.6:交易反馈单元6将干预措施回复给渠道进行后续交易干预处理。
步骤2.1:通过模型训练单元9导入样本数据,建立模型原型,训练模型;
步骤2.2:训练的模型验证通过后更新至模型预估服务单元4。
步骤3.0:核实结果汇总单元7接收业务人员对交易的核实结果,并进行汇总等预处理;
步骤3.1:核实结果汇总单元7加工出样本数据传输给模型自学习单元8;
步骤3.2:模型自学习单元8根据新的样本数据自动计算得出新的迭代模型,并将模型更新至模型预估服务单元4。
图6为本说明书一个实施例中的模型训练单元9构建交易评估模型的流程示意图,如图6所示,交易评估模型构建流程可以为:
步骤301:训练数据准确阶段,对训练数据进行数据预处理与拼接;
步骤302:基于LR算法构建模型原型;
步骤303:模型训练;
步骤304:验证模型效果;
步骤305:判断模型效果是否达标,如达标跳转步骤306,如不达标跳转步骤301,待训练数据更新后重新训练模型;
步骤306模型验证达标后发布至模型预估服务,模型预估服务使用模型训练后得出的算式,根据交易加工的特征变量,计算出模型评分。
图7表示本说明书一个实施例中的模型自学习单元8的模型自学习流程示意图,如图7所示,模型自学习流程如下:
步骤501:周期性地从核实结果汇总单元7获取交易信息核实结果加工成训练集合。
步骤502:定期通过训练集合计算新的模型参数。
步骤503:模型自学习完成后,给出新模型效果
步骤504:判断新模型效果是否达标,如果达标跳转至步骤206,如果不未达标,依然沿用之前的模型,跳转至步骤205
步骤505:等待至下个自学习时间点,根据最新样本数据重新训练。
步骤506:将新模型信息发布至各个预估服务节点部署新模型服务。
需要说明的,上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
上述实施例所述的交易反欺诈设备,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
本说明书还提供一种交易反欺诈***,所述***可以为单独的交易反欺诈***,也可以应用在多种计算机数据处理***中。所述的***可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、***(包括分布式***)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述交易反欺诈***可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
需要说明的,上述所述的***根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
上述实施例所述的交易反欺诈***,可以通过结合人工智能模型和规则模型对待识别交易进行风险分析,以根据分析结果确定待识别交易对应的干预措施,进而实现对实时交易的高效、稳定的风险防控。同时,在人工智能模型构建时,可以通过先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提取出来,利用分别提取的三类交易数据来构建样本集,进而构建模型,可以进一步降低误伤率,提高欺诈交易识别的准确性。
需要说明的是,本说明书上述所述的装置或者***根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。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,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书的可选实施方案范围之内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、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何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个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,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种交易反欺诈方法,其特征在于,包括:
获取待识别交易数据,提取所述待识别交易数据的交易特征数据;
利用预设判定规则确定所述交易特征数据进行判定,获得所述待识别交易数据的判定结果;
将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;
利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
2.根据权利要求1所述的方法,其特征在于,所述交易特征数据包括交易基础特征数据,所述交易基础特征数据包括所述待识别交易数据中的交易金额特征、交易时间特征、转账类型特征、卡特征、客户特征、账户特征中的一种或者多种组合形成的特征数据。
3.根据权利要求1所述的方法,其特征在于,所述交易特征数据包括时序行为特征数据,所述时序特征数据包括所述待识别交易数据的交易金额与历史交易的比对特征、所述待识别交易数据的MAC/IP下的历史交易记录特征、所述待识别交易数据的转出/转入账号下的历史交易记录特征、所述待识别交易数据的地理位置特征。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述交易评估模型采用下述方式构建:
获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
5.根据权利要求4所述的方法,其特征在于,根据LR算法对所述交易评估模型进行构建。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于预设时间间隔获取已确认为欺诈交易或非欺诈交易的第一交易数据;
提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理。
7.一种交易反欺诈装置,其特征在于,所述装置包括:
特征提取模块,用于获取待识别交易数据,提取所述待识别交易数据的交易特征数据;
交易判定模块,用于利用预设判定规则对所述待识别交易数据进行判定,获得所述待识别交易数据的判定结果;
交易评估模块,用于将所述交易特征数据输入预先构建的交易评估模型中,获得所述待识别交易数据的评估结果,所述交易评估模型根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得;
决策结果确定模块,用于利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果。
8.根据权利要求7所述的装置,其特征在于,所述交易评估模块包括模型构建单元,所述模型构建单元包括:
特征提取单元,用于获取历史交易数据,提取各历史交易数据的交易特征数据,获得初始样本集;
样本数据划分单元,用于将所述初始样本集中的样本数据划分为黑样本数据、白样本数据、灰样本数据,所述黑样本数据包括确认为欺诈交易的样本数据,所述白样本数据包括确认为非欺诈交易的样本数据,所述灰样本数据包括未进行确认的样本数据;
第一模型构建单元,用于将黑样本数据标记为欺诈,将白样本数据、灰样本数据标记为非欺诈,构建获得第一样本集,利用所述第一样本集进行模型构建,获得第一交易评估模型;
第二模型构建单元,用于将黑样本数据及灰样本数据标记为欺诈,将白样本数据标记为非欺诈,构建获得第二样本集,利用所述第二样本集对所述第一交易评估模型进行更新处理,获得交易评估模型。
9.一种交易反欺诈设备,其特征在于,所述设备包括交易数据接收单元、特征加工单元、规则引擎单元、模型预估服务单元、决策引擎单元、交易反馈单元、核实结果汇总单元、模型自学习单元以及模型训练单元;
所述模型训练单元根据确认为欺诈交易的样本数据、确认为非欺诈交易的样本数据以及未进行确认的样本数据构建交易评估模型,并将构建的交易评估模型发布至所述模型预估服务单元;
所述交易数据接收单元接收平台发送的待识别交易数据;
所述特征加工单元接收交易数据接收单元发送的所述待识别交易数据,并提取所述待识别交易数据的交易特征数据;
所述特征加工单元将所述交易特征数据分别发送给所述规则引擎单元以及模型预估服务单元;
所述规则引擎单元基于预设判定规则对所述交易特征数据进行处理,获得所述待识别的交易数据判定结果;
所述模型预估服务单元根据交易评估模型对所述交易特征数据进行处理,获得所述待识别交易数据的评估结果;
所述规则引擎单元以及模型预估服务单元分别将所述判定结果及评估结果发送至决策引擎单元,所述决策引擎单元基于预设决策规则对所述评估结果及判定结果进行决策处理,获得所述待识别交易的反欺诈决策结果;
所述交易反馈单元将所述反欺诈决策结果反馈至所述平台进行交易干预处理;
所述核实结果汇总单元基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第一交易数据;
所述模型自学习单元提取所述第一交易数据的交易特征数据,获得第一训练集,利用所述第一训练集对所述交易评估模型进行更新处理,并将更新处理后的交易评估模型发布至所述模型预估服务单元。
10.一种交易反欺诈***,其特征在于,所述***包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现所述权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910675300.2A CN110378699A (zh) | 2019-07-25 | 2019-07-25 | 一种交易反欺诈方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910675300.2A CN110378699A (zh) | 2019-07-25 | 2019-07-25 | 一种交易反欺诈方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378699A true CN110378699A (zh) | 2019-10-25 |
Family
ID=68255834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910675300.2A Pending CN110378699A (zh) | 2019-07-25 | 2019-07-25 | 一种交易反欺诈方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378699A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179085A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种账户数据处理方法、装置及*** |
CN111401906A (zh) * | 2020-03-05 | 2020-07-10 | 中国工商银行股份有限公司 | 转账风险检测方法及*** |
CN111681044A (zh) * | 2020-05-28 | 2020-09-18 | 中国工商银行股份有限公司 | 积分兑换作弊行为处理方法及装置 |
CN111951012A (zh) * | 2020-07-31 | 2020-11-17 | 中国工商银行股份有限公司 | 风险报文识别方法及*** |
CN112101952A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
CN112116358A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种交易欺诈行为的预测方法、装置及电子设备 |
CN113095838A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 交易验证方法及装置、存储介质及电子设备 |
CN113469695A (zh) * | 2020-03-30 | 2021-10-01 | 同济大学 | 基于核监督哈希模型的电子欺诈交易识别方法、***、装置 |
CN113487319A (zh) * | 2021-06-07 | 2021-10-08 | 广发银行股份有限公司 | 一种实现***首笔反欺诈的***及方法 |
CN113744054A (zh) * | 2021-09-02 | 2021-12-03 | 上海浦东发展银行股份有限公司 | 一种反欺诈方法、装置和设备 |
CN114119037A (zh) * | 2022-01-24 | 2022-03-01 | 深圳尚米网络技术有限公司 | 一种基于大数据的营销反作弊*** |
WO2022041834A1 (zh) * | 2020-08-28 | 2022-03-03 | ***股份有限公司 | 一种交易数据处理方法与装置 |
Citations (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 |
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 |
CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
-
2019
- 2019-07-25 CN CN201910675300.2A patent/CN110378699A/zh active Pending
Patent Citations (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 |
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 |
CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179085A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种账户数据处理方法、装置及*** |
CN111179085B (zh) * | 2019-12-31 | 2023-06-20 | 中国银行股份有限公司 | 一种账户数据处理方法、装置及*** |
CN111401906A (zh) * | 2020-03-05 | 2020-07-10 | 中国工商银行股份有限公司 | 转账风险检测方法及*** |
CN113469695A (zh) * | 2020-03-30 | 2021-10-01 | 同济大学 | 基于核监督哈希模型的电子欺诈交易识别方法、***、装置 |
CN113469695B (zh) * | 2020-03-30 | 2023-06-30 | 同济大学 | 基于核监督哈希模型的电子欺诈交易识别方法、***、装置 |
CN111681044A (zh) * | 2020-05-28 | 2020-09-18 | 中国工商银行股份有限公司 | 积分兑换作弊行为处理方法及装置 |
CN111951012A (zh) * | 2020-07-31 | 2020-11-17 | 中国工商银行股份有限公司 | 风险报文识别方法及*** |
WO2022041834A1 (zh) * | 2020-08-28 | 2022-03-03 | ***股份有限公司 | 一种交易数据处理方法与装置 |
CN112101952A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
CN112101952B (zh) * | 2020-09-27 | 2024-05-10 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
CN112116358A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种交易欺诈行为的预测方法、装置及电子设备 |
CN113095838A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 交易验证方法及装置、存储介质及电子设备 |
CN113487319A (zh) * | 2021-06-07 | 2021-10-08 | 广发银行股份有限公司 | 一种实现***首笔反欺诈的***及方法 |
CN113744054A (zh) * | 2021-09-02 | 2021-12-03 | 上海浦东发展银行股份有限公司 | 一种反欺诈方法、装置和设备 |
CN114119037A (zh) * | 2022-01-24 | 2022-03-01 | 深圳尚米网络技术有限公司 | 一种基于大数据的营销反作弊*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378699A (zh) | 一种交易反欺诈方法、装置及*** | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
JP6749468B2 (ja) | 評価モデルのためのモデリング方法及び装置 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN107978311A (zh) | 一种语音数据处理方法、装置以及语音交互设备 | |
CN109948669A (zh) | 一种异常数据检测方法及装置 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
CN108229341A (zh) | 分类方法和装置、电子设备、计算机存储介质、程序 | |
CN110149237A (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN109816509A (zh) | 评分卡模型的生成方法、终端设备及介质 | |
CN111494964B (zh) | 虚拟物品的推荐方法、模型的训练方法、装置及存储介质 | |
Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
CN110688478B (zh) | 一种答案排序方法、装置及存储介质 | |
CN109189937A (zh) | 一种特征关系推荐方法及装置、一种计算设备及存储介质 | |
CN108989581A (zh) | 一种用户风险识别方法、装置及*** | |
CN109509010A (zh) | 一种多媒体信息处理方法、终端及存储介质 | |
CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN110349013A (zh) | 风险控制方法及装置 | |
CN107368526A (zh) | 一种数据处理方法及装置 | |
CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
US11514815B1 (en) | System, method, and device for generating flight training scheme oriented to individual difference | |
CN110348516A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN114970357A (zh) | 节能效果评价方法、***、装置及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |