CN110992135B - 一种风险识别方法、装置、电子设备及存储介质 - Google Patents
一种风险识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110992135B CN110992135B CN201911165925.0A CN201911165925A CN110992135B CN 110992135 B CN110992135 B CN 110992135B CN 201911165925 A CN201911165925 A CN 201911165925A CN 110992135 B CN110992135 B CN 110992135B
- Authority
- CN
- China
- Prior art keywords
- user
- merchant
- risk
- ordering
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012502 risk assessment Methods 0.000 claims abstract description 52
- 238000005314 correlation function Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000013475 authorization Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及通信领域,公开了一种风险识别方法、装置、电子设备及存储介质。本发明中,风险识别方法包括:接收来自客户端的数据消息;解析数据消息,获取用户的订单交易时间及下单商户地理位置;根据订单交易时间及下单商户地理位置,确定用户的风险评估参数;根据用户的风险评估参数,确定用户的用户风险评分;根据商户接单的各用户的用户风险评分,确定商户的商户风险评分;将商户风险评分满足预设条件的商户标记为风险商户,通过用户下单商户的地理位置和订单交易时间,确定用户的用户风险评分,通过商户接单用户的用户风险评分确定商户的商户风险评分,按照预设条件标记出风险商户,在不涉及用户个人隐私的情况下自动确定出风险商户。
Description
技术领域
本发明实施例涉及通信领域,特别涉及一种风险识别方法、装置、电子设备及存储介质。
背景技术
随着互联网和通信技术的进步,网络购物已经成为人们日常生活的一部分,伴随着网络购物的发展,新兴的行业——电子商务成为了一个很重要的行业。在电子商务场景下,有少量的商户为了在各种网络或者APP上的排名以及业务的抽佣,会使用一些违规的操作,制造违规的交易对电子商户进行刷单。然而正常用户的交易行为具有区域性,因此,可以根据时空关系找到交易异常的用户,进而定位到进行违规操作的风险商户。在现有技术中,通常都是通过获取到进行交易的用户的地理位置信息,以此对用户的交易是否正常进行判断,并识别出违规操作的用户。
发明人发现相关技术中至少存在如下问题:需要获取到的是用户的地址信息,但是用户隐私的敏感度很高,并且需要获得授权才能获取相关信息,无法获得授权时,无法对用户的行为进行识别和判断,进而无法识别到进行违规操作的风险商户和风险用户。
发明内容
本发明实施方式的目的在于提供一种风险识别方法、装置、电子设备及存储介质,使得能够直接根据用户的订单交易时间和下单商户的地理位置获取到用户的用户风险评分,并根据商户接单用户的用户风险评分得到商户的商户风险评分,进而在不涉及用户隐私的情况下自动、准确的确定出风险商户。
为解决上述技术问题,本发明的实施方式提供了一种风险识别方法,包括:接收来自客户端的数据消息;通过至少一个处理器解析数据消息,获取用户的订单交易时间及下单商户地理位置;根据订单交易时间及下单商户地理位置,通过至少一个处理器确定用户的风险评估参数;根据用户的风险评估参数,通过至少一个处理器确定用户的用户风险评分;根据商户接单的各用户的用户风险评分,通过至少一个处理器确定商户的商户风险评分;通过至少一个处理器将商户风险评分满足预设条件的商户标记为风险商户。
本发明的实施方式还提供了一种风险识别装置,包括:获取模块:用于接收客户端的数据消息;解析模块:用于解析数据消息,获取用户的订单交易时间及下单商户地理位置;参数确定模块:用于根据订单交易时间及下单商户地理位置,确定用户的风险评估参数;用户风险评分模块:用于根据用户的风险评估参数,确定用户的用户风险评分;商户风险评分模块:用于根据商户接单的各用户的用户风险评分,确定商户的商户风险评分;标记模块:用于将商户风险评分满足预设条件的商户标记为风险商户。
本发明的实施方式还提供了一种电子设备,包括存储器和处理器,存储器存储计算机程序,处理器运行程序时执行上述风险识别方法。
本发明的实施方式还提供了一种非易失性存储介质,用于存储计算机可读程序,计算机可读程序用于供计算机执行上述风险识别方法。
本发明实施方式相对于现有技术而言,通过获取用户的交易时间和下单商户的地理位置,并根据用户的订单信息对用户进行评估,确定用户的用户风险评分,然后再根据商户接单用户的用户风险评分确定商户的商户风险评分,将商户风险评分满足预设条件的商户标记为风险商户。由于在对用户的用户风险评分进行评估时,获取到的是用户的订单交易时间和下单商户地理位置,因此不会涉及到用户较为敏感的个人隐私信息;由于不涉及用户个人隐私,因此不需要获取用户授权,避免了无法获得用户授权时,不能对违规行为进行识别的问题;根据接单用户的用户风险评分确定商户的商户风险评分,能够准确的确定商户的行为,进而自动确定出风险商户。
另外,通过至少一个处理器确定用户的风险评估参数,包括:根据预设时长内用户的下单商户地理位置,通过至少一个处理器确定用户的下单区域;根据预设时长内用户的下单数量,通过至少一个处理器确定用户的下单量级;根据预设时长内用户在各下单商户的下单数量,通过至少一个处理器确定用户的下单成熟度,通过用户订单信息得到用户各评估参数,保证了后续评估时,得到的用户风险评分的准确性。
另外,通过至少一个处理器确定用户的下单成熟度,包括:根据用户在预设时长内在各下单商户的下单数量,通过至少一个处理器确定用户在预设时长内的下单均匀程度,并根据下单均匀程度确定用户的下单成熟度,通过根据用户下单均匀程度确定用户的下单成熟度,准确的对用户行为进行识别。
另外,通过至少一个处理器确定用户在预设时长内的下单均匀程度,并根据下单均匀程度确定用户的下单成熟度,包括:根据如下的求熵公式,通过至少一个处理器确定用户的下单成熟度H:
其中,n表示预设时长T内用户下单的商户数量,Ousi(T)表示预设时长T内用户u在第i个商户下单的数量,Ou(T)表示用户u在预设时长T内的下单总量。通过求熵的方式进行下单成熟度的求取,可以较为准确的根据用户下单均匀程度对下单成熟度进行衡量。
另外,根据用户风险评估参数,通过至少一个处理器确定用户的用户风险评分,包括:通过至少一个处理器根据用户风险评分与风险评估参数的正相关函数确定用户的用户风险评分。通过根据用户风险评分与风险评估参数的正相关函数关系进行用户风险评分计算,准确的根据风险评估参数确定了用户的用户风险分。
另外,通过至少一个处理器根据用户风险评分与风险评估参数的正相关函数确定用户的用户风险评分,包括:根据以下公式,通过至少一个处理器计算用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示预设时长T内用户的下单区域,Ous(T)表示预设时长T内用户的下单量级,H(T)表示预设时长T内用户的下单成熟度。通过根据下单区域、下单量级和下单成熟度对用户的用户风险评分进行了综合的评估,保证得到的用户风险评分与用户行为更加吻合。
另外,根据商户接单的各用户的用户风险评分,通过至少一个处理器确定商户的商户风险评分,包括:根据商户接单的各用户的下单数量,通过至少一个处理器确定各用户对应的权重,并根据商户接单的各用户的用户风险评分及权重,确定商户的商户风险评分,通过为接单用户分配对应的权重,再根据各接单用户的用户风险评分及权重确定商户风险评分,保证了确定的商户风险评分的准确性。
另外,根据商户接单的各用户的用户风险评分及权重,确定商户的商户风险评分,包括:根据以下公式,通过至少一个处理器计算商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在商户下单的数量,Ui表示第i个用户的用户风险评分。通过根据商户接单总量和各用户下单数量确定各用户的权重,并根据各用户的用户风险评分进行加权平均运算得到商户的商户风险评分,能够准确的得到商户风险评分。
另外,通过至少一个处理器将商户风险评分满足预设条件的商户标记为风险商户,包括:通过至少一个处理器将商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将商户风险评分大于第二预设阈值的商户标记为风险商户;其中,第一预设阈值小于第二预设阈值,通过根据商户的商户风险评分和两个预设阈值之间的关系进行对商户进行标记,避免了对商户是否违规的误判的同时,能够准确的确定出风险商户。
另外,通过至少一个处理器确定用户的用户风险评分后,还包括:通过至少一个处理器对用户风险评分进行检测,将用户风险评分大于预设阈值的用户标记为风险用户;通过至少一个处理器将同一商户接单的用户中,用户风险评分大于预设阈值的各用户标记为风险团体,通过对用户风险评分的检测,自动确定出风险用户,对同一商户接单用户的用户风险评分进行检测,从而自动确定出在一个商户进行违规操作的风险团体。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。
图1是根据本发明第一实施方式中的风险识别方法流程图;
图2是根据本发明第二实施方式中的风险识别方法流程图;
图3是根据本发明第二实施方式中的基尼系数函数曲线示意图;
图4是根据本发明第二实施方式中的风险识别流程示意图;
图5是根据本发明第三实施方式中的风险识别装置结构示意图;
图6是根据本发明第四实施方式中的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种风险识别方法,本实施方式中,接收来自客户端的数据消息;通过至少一个处理器解析数据消息,获取用户的订单交易时间及下单商户地理位置;根据订单交易时间及下单商户地理位置,通过至少一个处理器确定用户的风险评估参数;根据用户的风险评估参数,通过至少一个处理器确定用户的用户风险评分;根据商户接单的各用户的用户风险评分,通过至少一个处理器确定商户的商户风险评分;通过至少一个处理器将商户风险评分满足预设条件的商户标记为风险商户。通过用户订单交易时间和下单商户的地址确定用户的用户风险评分,避免了对用户行为进行判断时,需要涉及用户的个人隐私以及获取授权的步骤,提高了识别方法的实用性;根据接单用户的用户风险评分确定商户的商户风险评分并标记出风险商户,保证了能够准确对商户的行为进行评估,并自动确定出风险商户。
下面对本实施方式的风险识别方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非本方案的必须。
本实施方式中的风险识别方法的具体流程如图1所示,具体包括以下步骤:
步骤S1,获取用户的订单信息。
具体地说,在进行风险识别的时候,接收客户端的数据消息,通过至少一个处理器解析数据消息,获取用户的订单交易时间及下单商户地理位置。
在一个例子中,进行风险识别的时候,接收来自客户端的用户订单数据消息,对数据消息进行解析,确定用户在一定时长内完成的订单数量,并通过各订单中携带的商户名称或其他标识,确定订单对应的商户,然后根据商户的信息,在预存的商户信息数据库中进行查询,获取到商户的地理位置信息。
步骤S2,确定用户的风险评估参数。
具体地说,在获取到用户的订单信息后,根据订单交易时间和下单商户的地理位置,通过至少一个处理器确定用户的风险评估参数。
在一个例子中,获取到用户的订单信息后,根据预设时长内用户的下单商户地理位置,通过至少一个处理器确定用户的下单区域;根据预设时长内用户的下单数量,通过至少一个处理器确定用户的下单量级;根据预设时长内用户在各下单商户的下单数量,通过至少一个处理器确定用户的下单成熟度。在实际应用中,可以根据实际情况对预设时长进行设置和更改,在本实施方式中对预设时长的设置不做限制。
在确定用户下单区域时,获取到用户下单商户的地理位置后,根据下单商户地理位置,通过至少一个处理器生成一个包含各下单商户地理位置的区域作为下单区域;其中下单商户地理位置包括:经纬度坐标、I P地址或行政单位。例如,获取到用户3小时内下单的商户是商户A、商户B、商户C三家商户,根据在数据库中的查询,得到了三个商户的经纬度坐标,将该用户在三个小时内下单的三家商户的地址逐个连接,得到覆盖各下单商户位置的区域作为下单区域,或者根据三家商户之间距离最远的连线作为直径,生成一个圆形区域作为用户的下单区域,用户在预设时长内的下单区域越大,用户进行违规操作的风险就越高。
在实际应用中,下单商户的地理位置信息包括:经纬度坐标、I P地址或行政单位,在进行下单区域划分的时候,根据获取到的地理位置信息的类型可以进行不同方式的划分,例如,获取到的是行政单位的时候,将各商户所在行政单位的面积和作为下单区域面积或者将下单商户所在行政区域的个数作为下单区域的参数等,对于下单区域的具体划分方式,本实施方式不做限制。
在确定用户的下单量级时,由于用户下单次数超过正常下单次数后,用户下单次数越多,则用户进行违规操作的风险就越高,也就是说,用户下单量级越大。因此,获取用户在预设时长内下单的次数后,可以直接将用户下单次数作为用户的下单量级,例如,通过获取的订单信息发现用户在最近三个小时内一共进行了50次下单,远远高于正常的下单次数,因此,用户进行违规操作的风险很大,根据用户下单的次数,将用户的下单量级设定为50。
在实际应用中,下单量级的设置还可以根据用户下单次数超过正常下单次数的数量确定,或者用户下单次数是正常下单次数的多少倍等方式确定,在本实施方式中,对于下单量级具体的确定方式不做限制。
在确定用户的下单成熟度时,由于现在违规操作的手段的快速提升,在下单量相同的时候,用户在各家商户进行下单的时候,下单越平均,用户进行违规操作的风险就越大。因此,获取用户预设时长内在不同商户下单的数量,根据用户在预设时长内在各下单商户下单数量,通过至少一个处理器确定用户在预设时长内的下单均匀程度,并根据下单均匀程度确定用户的下单成熟度。例如,根据如下的求熵公式,通过至少一个处理器确定用户的下单成熟度H:
其中,n表示预设时长T内用户下单的商户数量,Ousi(T)表示预设时长T内用户u在第i个商户下单的数量,Ou(T)表示用户u在预设时长T内的下单总量,将用户在三个小时内在A商户下单10次,B商户下单15次,从商户下单10次的数据带入上述的求熵公式,通过加权平均计算可以直接得出用户下单成熟度H。
计算商户下单成熟度时,还可以根据基尼系数的变形公式进行计算,例如,获取到用户三小时内在商户A下单2次,商户B下单3次,商户C下单5次,首先,根据用户下单商户的数量生成三个坐标点a(1/3,x),b(2/3,y),c(1,z),然后将用户下单数量按照从小到大的顺序逐一进行累加,得到用户在一家商户、两家商户、三家商户下单的三个累计数量,然后计算各累计数量在用户下单总数中的占比,并按照从小到大的顺序将累计数量的占比依次作为a、b、c三个点的纵坐标,得到a(1/3,1/5),b(1/3,1/2),c(1,1),并根据得到的坐标生成累计函数曲线。累计函数曲线和曲线Y=X形成图形的示意图如图3所示,根据积分的方法计算累计函数曲线和曲线Y=X所围成的区域的面积的大小和曲线=X在变量X从0到1上的积分的大小,然后根据如下公式计算用户的下单成熟度H:
其中,A为累计函数曲线和曲线Y=X所围成的区域的面积的大小,A+B为曲线Y=X在变量X从0到1上的积分的大小。根据上述公式进行下单成熟度计算时,能够直观、准确根据累计函数和绝对平均的误差确定用户的下单成熟度。
在实际应用中,根据用户在不同商户之间下单次数,确定用户在预设时长内的下单均匀程度,根据下单均与程度确定用户下单成熟度的时候,可以根据实际情况选择采用的计算方法,本实施方式对计算用户下单成熟度过程中采用的计算方法不做限制。
步骤S3,确定用户的用户风险评分。
具体地说,在获取到用户的风险评估参数后,根据用户的风险评估参数,通过至少一个处理器确定用户的用户风险评分。
在一个例子中,获取到用户的风险评估参数后,通过至少一个处理器根据用户风险评分与风险评估参数的正相关函数确定用户的用户风险评分,例如,根据以下公式,通过至少一个处理器计算用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示预设时长T内用户的下单区域,Ous(T)表示预设时长T内用户的下单量级,H(T)表示预设时长T内用户的下单成熟度。例如,获取到用户A三小时内的下单区域大小是5平方公里,下单量级是20,下单成熟度是0.8,则根据上述公式,可以得到用户A的用户风险评分U=5x20x0.8=80分。
在另一个例子中,根据用户的风险评估参数进行用户风险评分的计算时,还可以根据如下公式进行用户风险评分的计算:
U=(W×S(T)+A)×logOus(T)×H(T)
其中,S(T)表示预设时长T内用户的下单区域,Ous(T)表示预设时长T内用户的下单量级,H(T)表示预设时长T内用户的下单成熟度,W、A是预设系数。通过预设系数和求对数等方式对评估参数进行进一步细化,保证了得到的用户风险评分更加准确、与用户行为更加吻合。
即,在实际应用中,用户风险评分U与预设时长T内用户的下单区域、下单量级、下单成熟度之间是一个具有正相关特性的函数关系,即U=F(S(T)、Ous(T)、H(T)),因此根据风险评估参数对用户风险评分进行综合评定和计算的时候,可以根据需要调整具体的计算公式,本实施方式对计算过程中具体采用的公式不做限制。
步骤S4,根据接单用户的用户风险评分确定商户的商户风险评分。
具体地说,对用户进行用户风险评分后,获取商户接单的各用户的用户风险评分,根据商户接单的各用户的用户风险评分,通过至少一个处理器确定商户的商户风险评分。
在一个例子中,对商户进行商户风险评分的评估时,根据商户接单的各用户的下单数量,通过至少一个处理器确定各用户对应的权重,并根据商户接单的各用户的用户风险评分与权重,确定商户的商户风险评分。例如,根据商户接单的各用户的用户风险评分与权重,确定商户的商户风险评分时,根据如下公式,通过至少一个处理器计算商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在商户下单的数量,Ui表示第i个用户的用户风险评分。通过商户接单总量和用户下单数量为用户分配权重,并根据各接单用户的用户风险评分确定商户的商户风险评分,能够直观、准确的获取到用户的权重和商户的商户风险分。
在另一个例子中,根据商户接单的各用户在商户下单的次数以及各用户的用户风险评分,对用户的用户风险分进行加权平均计算,根据如下公式计算商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在商户下单的数量,Ui表示第i个用户的用户风险评分。通过对用户的下单数量进行求对数的方式,对用户的权重分配进行进一步的细化,保证得到的权重系数以及商户的商户风险评分更加准确。
在另一个例子中,根据商户接单的各用户在商户下单的次数以及各用户的用户风险分,对用户的用户风险分进行加权平均计算,根据如下公式计算商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在商户下单的数量,Ui表示第i个用户的用户风险评分,W、A表示预设系数。通过为用户的下单次数添加预设系数,从而对用户的权重分配进行了进一步的限制,使得根据权重和用户风险评分进行计算时更加方便。
在实际应用中,根据商户接单用户的用户风险评分和接单用户的下单次数,通过加权平均计算确定商户的商户风险评分时,可以根据实际情况采用对应的公式进行计算,本实施方式对计算过程中具体采用的公式不做限制。
例如,获取到在商户下单的用户共有三个,用户A下单10次,用户A的用户风险分是60分;用户B下单15次,用户B的用户风险分是70;用户C下单10次,用户C的用户风险分是50分,则将3个用户的用户风险分和下单次数带入如下公式:
根据上述计算公式进行加权平均计算,得到商户的商户风险评分。
步骤S5,根据商户风险评分确定风险商户。
具体地说,在确定商户的商户风险评分后,通过至少一个处理器将商户风险评分满足预设条件的商户标记为风险商户。
在一个例子中,获取到商户的商户风险评分后,通过至少一个处理器将商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将商户风险评分大于第二预设阈值的商户标记为风险商户;其中,第一预设阈值小于第二预设阈值。例如,通过计算得到商户的商户风险评分是92,而第一预设阈值的大小是80,第二预设阈值的大小是200,显然,商户的商户风险评分处于80到200之间,即,商户风险评分大于第一预设阈值,且小于第二预设阈值,则判定商户为潜在风险商户,为商户打上潜在风险商户的标签;若商户的商户风险评分是25,则商户风险评分小于第一预设阈值,判定商户为正常商户;若商户的商户风险评分是220,则商户风险评分大于第二预设阈值,判定商户为风险商户,为商户打上风险商户的标签。
在实际应用中,可以根据实际情况或需要将商户风险评分划分出多个区间,并为每个区间设置对应的标记,本实施方式中,对于商户风险评分区间的划分不做限制。
由此,本实施方式提供了一种风险识别方法,通过用户的订单交易时间和下单商户地理位置确定用户的风险评估参数,并综合各评估参数确定用户的用户风险评分,实现了准确的对用户的行为进行评估;通过订单交易时间和下单商户地理位置确定用户的用户风险评分,避免了涉及用户个人隐私以及需要获取授权的问题;通过商户接单用户的用户风险评分进行加权平均计算得到商户的商户风险评分,保证了得到的评分和商户行为的吻合程度;通过商户风险评分和预设阈值之间的关系进行风险商户的标记,不仅能够自动、准确的识别出风险商户,也避免了对商户行为的误判。
本发明的第二实施方式涉及一种风险识别方法。第二实施方式与第一实施方式大致相同,在本发明第二实施方式中,得到用户的用户风险评分后,对同一商户接单用户的用户风险评分进行检测,标记出在该商户进行违规操作的风险团体。
本实施方式中的风险识别方法的具体流程如图2所示,具体包括以下步骤:
步骤S1,获取用户的订单信息。
步骤S2,确定用户的风险评估参数。
步骤S3,确定用户的用户风险评分。
本实施方式的步骤S1到步骤S3和第一实施方式的步骤S1到S3相似,在此就不再赘述。
步骤S4,根据用户风险评分确定风险用户。
具体地说,在确定用户的用户风险评分后,通过至少一个处理器对用户风险评分进行检测,将用户风险评分大于预设阈值的用户标记为风险用户。
在一个例子中,对用户的用户风险评分进行检测时,通过至少一个处理器将用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将用户风险评分大于第四预设阈值的用户标记为风险用户;其中,第三预设阈值小于第四预设阈值。例如,通过计算得到用户的用户风险评分是75,第三预设阈值的大小是80,第四预设阈值的大小是150,显然,用户的用户风险评分小于80,即,用户的用户风险评分小于第三预设阈值,则判定用户为正常用户;若计算得到用户的用户风险评分是100,则用户风险评分大于第三预设阈值,且小于第四预设阈值,则,判定用户为潜在风险用户,为用户打上潜在风险用户的标签;若用户的用户风险评分是180,则用户风险评分大于第四预设阈值,判定用户为风险用户,为用户打上风险用户的标签。
在实际应用中,可以根据实际情况或需要将用户风险评分划分出多个区间,并为每个区间设置对应的标记,本实施方式中,对于用户风险评分区间的划分不做限制。
步骤S5,根据各用户的用户风险评分确定风险团体。
具体地说,计算出各用户的用户风险评分后,根据各用户的用户风险评分,通过至少一个处理器将同一商户接单的用户中,用户风险评分大于预设阈值的各用户标记为风险团体。
在一个例子中,对用户的用户风险评分进行评估后,检测商户A接单的各用户的用户风险评分,检测到商户A接单的用户中,用户甲、乙、丙三个用户的用户风险评分分别是155、160、158,则这三个用户的用户风险评分都大于150分,显然,这三个用户都是风险用户,判定用户甲、乙、丙是一个风险团体,并为这三个用户打上风险团体的标记。
步骤S6,根据接单用户的用户风险评分确定商户的商户风险评分。
步骤S7,根据商户风险评分确定风险商户。
本实施方式中的步骤S6、步骤S7和第一实施方式中的步骤S4、步骤S5相似,在此就不再一一赘述。
本实施方式中的风险识别方法的示意图如图4所示,根据订单交易时间和商户地理位置,得到用户风险评分的评估参数,并根据风险评估参数确定用户的用户风险评分,然后根据用户的用户风险评分确定各商户的商户风险评分,并根据用户的用户风险评分和商户的商户风险评分输出风险商户和风险团体。
由此,本实施方式提供了一种风险识别方法,在进行风险用户识别的时候,根据用户风险评分和预设阈值之间的关系对用户进行对应的标记,避免了对用户行为的误判,并保证了准确识别出用户的违规行为;对在同一商户下单的各用户进行用户风险评分的检测,将用户风险评分超过预设阈值的各用户确定为风险团体,从而准确、自动的确定出在该商户进行违规操作的风险团体。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种风险识别装置,如图5所示,包括:
获取模块501,用于接收客户端的数据消息。
解析模块502,用于解析数据消息,获取用户的订单交易时间及下单商户地理位置。
参数确定模块503,用于根据订单交易时间及下单商户地理位置,确定用户的风险评估参数。
用户风险评分模块504,用于根据用户的风险评估参数,确定用户的用户风险评分。
商户风险评分模块505,用于根据商户接单的各用户的用户风险评分,确定商户的商户风险评分。
标记模块506,用于将商户风险评分满足预设条件的商户标记为风险商户。
进一步地,本实施方式中的参数确定模块503还可以包括:区域确定子模块5031、量级确定子模块5032、成熟度确定子模块5033;区域确定子模块5031用于根据预设时长内用户的下单商户地理位置,确定用户的下单区域;量级确定子模块5032用于根据预设时长内用户的下单数量,确定用户的下单量级;成熟度确定子模块5033用于根据预设时长内用户在各下单商户的下单数量,确定用户的下单成熟度。
进一步地,本实施方式中的标记模块506包括:商户标记子模块5061;商户标记子模块5061具体用于将商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将商户风险评分大于第二预设阈值的商户标记为风险商户;其中,第一预设阈值小于第二预设阈值。
进一步地,本实施方式中地标记模块506还包括:用户标记子模块5062,用于将用户风险评分大于预设阈值的用户标记为风险用户;团体标记子模块5063,用于将同一商户接单的用户中,用户风险评分大于预设阈值的各用户标记为风险团体。
在一个例子中,成熟度确定子模块5033具体用于根据用户预设时长内在各下单商户的下单数量,确定用户在预设时长内的下单均匀程度,并根据下单均匀程度确定用户的下单成熟度。
在一个例子中,成熟度确定子模块5033具体用于根据如下求熵公式计算用户的下单成熟度H:
其中,n表示预设时长T内用户u下单的商户数量,Ousi(T)表示预设时长T内,用户u在第i个商户下单的数量,Ou(T)表示用户u在预设时长T内的下单总量。
在一个例子中,区域确定子模块5031具体用于根据下单商户地理位置生成一个包含各下单商户地理位置的区域作为下单区域;其中,下单用户地理位置包括:经纬度坐标、IP地址、行政单位。
在一个例子中,用户风险评分模块504具体用于通过至少一个处理器根据用户风险评分与风险评估参数的正相关函数确定用户的用户风险评分。
在一个例子中,用户风险评分模块504具体用于根据以下公式计算用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示预设时长T内用户的下单区域,Ous(T)表示预设时长T内用户的下单量级,H(T)表示预设时长T内用户的下单成熟度。
在一个例子中,商户风险评分模块505具体用于根据以下公式计算商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在商户下单的数量,Ui表示第i个用户的用户风险评分。
在一个例子中,用户标记子模块5062具体用于将用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将用户风险评分大于第四预设阈值的用户标记为风险用户;其中,第三预设阈值小于第四预设阈值。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
不难发现,本实施方式为上述两个实施方式相对应的装置实施例,本实施方式可与上述两个方法实施方式互相配合实施。上述两个方法实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述两个方法实施方式中。
与现有技术相比,本实施方式中的风险识别装置通过用户订单交易时间和下单商户地理位置获取用户的风险评估参数,进而确定用户的用户风险评分,并根据接单用户的用户风险评分确定商户的商户风险评分,根据和预设阈值的关系,自动、准确的确定出风险用户、风险团体和风险商户,避免涉及隐私问题,提高风险识别方法的实用性。
本发明第四实施方式涉及一种电子设备,如图6所示,该电子设备6包括:至少一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现风险识别方法。
具体地,该电子设备包括:一个或多个处理器601以及存储器602,图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述风险识别方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中,存储器602可选包括相对于处理器601远程设置的存储器602,这些远程存储器602可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器602中,当被一个或者多个处理器601执行时,执行上述任意方法实施方式中的风险识别方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本申请实施方式所提供的方法。
本发明的第五实施方式涉及一种非易失性存储介质,用于存储计算机可读程序,计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-On l yMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
本申请实施例公开了A1.一种风险识别方法,包括:
接收来自客户端的数据消息;
通过至少一个处理器解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
根据所述订单交易时间及所述下单商户地理位置,通过至少一个处理器确定所述用户的风险评估参数;
根据所述用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分;
根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分;
通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户。
A2.如A1所述的风险识别方法,所述通过至少一个处理器确定所述用户的风险评估参数,包括:
根据预设时长内所述用户的下单商户地理位置,通过至少一个处理器确定所述用户的下单区域;
根据所述预设时长内所述用户的下单数量,通过至少一个处理器确定所述用户的下单量级;
根据所述预设时长内所述用户在各所述下单商户的下单数量,通过至少一个处理器确定所述用户的下单成熟度。
A3.如A2所述的风险识别方法,所述通过至少一个处理器确定所述用户的下单成熟度,包括:
根据所述用户在所述预设时长内在各所述下单商户的下单数量,通过至少一个处理器确定所述用户在所述预设时长内的下单均匀程度,并根据所述下单均匀程度确定所述用户的下单成熟度。
A4.如A3所述的风险识别方法,所述通过至少一个处理器确定所述用户在所述预设时长内的下单均匀程度,并根据所述下单均匀程度确定所述用户的下单成熟度,包括:
根据如下的求熵公式,通过至少一个处理器确定所述预设时长内所述用户的下单成熟度H(T):
其中,n表示所述预设时长T内用户u下单的商户数量,Ousi(T)表示所述预设时长T内用户u在第i个商户下单的数量,Ou(T)表示用户u在所述预设时长T内的下单总量。
A5.如A2所述的风险识别方法,所述通过至少一个处理器确定所述用户的下单区域,包括:
根据所述下单商户地理位置,通过至少一个处理器生成一个包含各所述下单商户地理位置的区域作为所述下单区域;
其中所述下单商户地理位置包括:经纬度坐标、I P地址或行政单位。
A6.如A2至A5中任一项所述的风险识别方法,所述根据用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分,包括:
通过至少一个处理器根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分。
A7.如A6所述的风险识别方法,所述通过至少一个处理器根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分,包括:
根据以下公式,通过至少一个处理器计算所述用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示所述预设时长T内用户的下单区域,Ous(T)表示所述预设时长T内用户的下单量级,H(T)表示所述预设时长T内用户的下单成熟度。
A8.如A1至A5中任一项所述的风险识别方法,所述根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分,包括:
根据所述商户接单的各用户的下单数量,通过至少一个处理器确定各用户对应的权重,并根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分。
A9.如A8所述的风险识别方法,所述根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分,包括:
根据以下公式,通过至少一个处理器计算所述商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在所述商户下单的数量,Ui表示第i个用户的用户风险评分。
A10.如A1所述的风险识别方法,所述通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户,包括:
通过至少一个处理器将所述商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将所述商户风险评分大于所述第二预设阈值的商户标记为所述风险商户;其中,所述第一预设阈值小于所述第二预设阈值。
A11.如A1所述的风险识别方法,在所述通过至少一个处理器确定所述用户的用户风险评分后,还包括:
通过至少一个处理器对所述用户风险评分进行检测,将所述用户风险评分大于预设阈值的用户标记为风险用户;
通过至少一个处理器将同一商户接单的用户中,所述用户风险评分大于所述预设阈值的各用户标记为风险团体。
A12.如A11所述的风险识别方法,所述将所述用户风险评分大于预设阈值的用户标记为风险用户,包括:
通过至少一个处理器将所述用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将所述用户风险评分大于所述第四预设阈值的用户标记为所述风险用户;其中,所述第三预设阈值小于所述第四预设阈值。
B1.一种风险识别装置,包括:
获取模块,用于接收客户端的数据消息;
解析模块,用于解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
参数确定模块,用于根据所述订单交易时间及所述下单商户地理位置,确定所述用户的风险评估参数;
用户风险评分模块,用于根据所述用户的风险评估参数,确定所述用户的用户风险评分;
商户风险评分模块,用于根据商户接单的各用户的所述用户风险评分,确定所述商户的商户风险评分;
标记模块,用于将所述商户风险评分满足预设条件的商户标记为风险商户。
B2.如B1所述的风险识别装置,所述参数确定模块具体包括:区域确定子模块、量级确定子模块、成熟度确定子模块;
所述区域确定子模块用于根据预设时长内所述用户的下单商户地理位置,确定所述用户的下单区域;
所述量级确定子模块用于根据所述预设时长内所述用户的下单数量,确定所述用户的下单量级;
所述成熟度确定子模块用于根据所述预设时长内所述用户在各所述下单商户的下单数量,确定所述用户的下单成熟度。
B3.如B2所述的风险识别装置,所述成熟度确定子模块具体用于根据所述用户在所述预设时长内在各所述下单商户的下单数量,确定所述用户在所述预设时长内的下单均匀程度,并根据所述下单均匀程度确定所述用户的下单成熟度。
B4.如B3所述风险识别装置,所述成熟度确定子模块具体用于根据如下求熵公式计算所述用户的下单成熟度H:
其中,n表示所述预设时长T内用户u下单的商户数量,Ousi(T)表示所述预设时长T内,用户u在第i个商户下单的数量,Ou(T)表示用户u在所述预设时长T内的下单总量。
B5.如B2所述的风险识别装置,其特征在于,所述区域确定子模块具体用于根据所述下单商户地理位置生成一个包含各所述下单商户地理位置的区域作为所述下单区域;
其中,所述下单用户地理位置包括:经纬度坐标、I P地址或行政单位。
B6.如B2至B5中任一项所述的风险识别装置,所述用户风险评分模块具体用于根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分。
B7.如B6所述的风险识别装置,所述用户风险评分模块具体用于根据以下公式计算所述用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示所述预设时长T内用户的下单区域,Ous(T)表示所述预设时长T内用户的下单量级,H(T)表示所述预设时长T内用户的下单成熟度。
B8.如B2至B5中任一项所述的风险识别装置,其特征在于,所述商户风险评分模块具体用于根据所述商户接单的各用户的下单数量,确定各用户对应的权重,并根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分。
B9.如B8所述的风险识别装置,所述商户风险评分模块具体用于根据以下公式计算所述商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在所述商户下单的数量,Ui表示第i个用户的用户风险评分。
B10.如B1所述的风险识别装置,所述标记模块包括:商户标记子模块;
所述商户标记子模块具体用于将所述商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将所述商户风险评分大于所述第二预设阈值的商户标记为所述风险商户;
其中,所述第一预设阈值小于所述第二预设阈值。
B11.如B1所述的风险识别装置,所述标记模块还包括:
用户标记子模块,用于将所述用户风险评分大于预设阈值的用户标记为风险用户;
团体标记子模块,用于将同一商户接单的用户中,所述用户风险评分大于所述预设阈值的各用户标记为风险团体。
B12.如B11所述风险识别装置,所述用户标记子模块具体用于将所述用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将所述用户风险评分大于所述第四预设阈值的用户标记为所述风险用户;
其中,所述第三预设阈值小于所述第四预设阈值。
C1.一种电子设备,包括存储器和处理器,所述存储器存储计算机程序,其特征在于,所述处理器运行程序时执行:
接收来自客户端的数据消息;
通过至少一个处理器解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
根据所述订单交易时间及所述下单商户地理位置,通过至少一个处理器确定所述用户的风险评估参数;
根据所述用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分;
根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分;
通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户。
C2.如C1所述的电子设备,所述处理器运行程序时执行如A2至A12中任一项所述的风险识别方法。
D1.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如A1至A12中任一项所述的风险识别方法。
Claims (23)
1.一种风险识别方法,其特征在于,包括:
接收来自客户端的数据消息;
通过至少一个处理器解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
根据预设时长内所述用户的下单商户地理位置,通过至少一个处理器确定所述用户的下单区域,所述下单区域为包含各下单商户地理位置的区域;
根据所述预设时长内所述用户的下单数量,通过至少一个处理器确定所述用户的下单量级,所述用户的下单量级与所述用户违规操作的风险正相关;
根据所述用户在所述预设时长内在各所述下单商户的下单数量,通过至少一个处理器确定所述用户在所述预设时长内的下单均匀程度,并确定所述用户的下单成熟度,所述下单成熟度用于通过所述下单均匀程度表征用户违规操作的风险高低;根据所述用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分;所述用户风险评分与所述用户的风险评估参数具有正相关性,所述用户的风险评估参数通过所述下单区域、所述下单量级和所述下单成熟度表征;
根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分;
通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户。
2.根据权利要求1所述的风险识别方法,其特征在于,所述通过至少一个处理器确定所述用户在所述预设时长内的下单均匀程度,并根据所述下单均匀程度确定所述用户的下单成熟度,包括:
根据如下的求熵公式,通过至少一个处理器确定所述预设时长内所述用户的下单成熟度H(T):
其中,n表示所述预设时长T内用户u下单的商户数量,Ousi(T)表示所述预设时长T内用户u在第i个商户下单的数量,Ou(T)表示用户u在所述预设时长T内的下单总量。
3.根据权利要求1所述的风险识别方法,其特征在于,所述通过至少一个处理器确定所述用户的下单区域,包括:
根据所述下单商户地理位置,通过至少一个处理器生成一个包含各所述下单商户地理位置的区域作为所述下单区域;
其中所述下单商户地理位置包括:经纬度坐标、IP地址或行政单位。
4.根据权利要求1至3中任一项所述的风险识别方法,其特征在于,根据所述用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分,包括:
通过至少一个处理器根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分。
5.根据权利要求4所述的风险识别方法,其特征在于,所述通过至少一个处理器根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分,包括:
根据以下公式,通过至少一个处理器计算所述用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示所述预设时长T内用户的下单区域,Ous(T)表示所述预设时长T内用户的下单量级,H(T)表示所述预设时长T内用户的下单成熟度。
6.根据权利要求1至3中任一项所述的风险识别方法,其特征在于,所述根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分,包括:
根据所述商户接单的各用户的下单数量,通过至少一个处理器确定各用户对应的权重,并根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分。
7.根据权利要求6所述的风险识别方法,其特征在于,所述根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分,包括:
根据以下公式,通过至少一个处理器计算所述商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在所述商户下单的数量,Ui表示第i个用户的用户风险评分。
8.根据权利要求1所述的风险识别方法,其特征在于,所述通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户,包括:
通过至少一个处理器将所述商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将所述商户风险评分大于所述第二预设阈值的商户标记为所述风险商户;其中,所述第一预设阈值小于所述第二预设阈值。
9.根据权利要求1所述的风险识别方法,其特征在于,在所述通过至少一个处理器确定所述用户的用户风险评分后,还包括:
通过至少一个处理器对所述用户风险评分进行检测,将所述用户风险评分大于预设阈值的用户标记为风险用户;
通过至少一个处理器将同一商户接单的用户中,所述用户风险评分大于所述预设阈值的各用户标记为风险团体。
10.根据权利要求9所述的风险识别方法,其特征在于,所述将所述用户风险评分大于预设阈值的用户标记为风险用户,包括:
通过至少一个处理器将所述用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将所述用户风险评分大于所述第四预设阈值的用户标记为所述风险用户;其中,所述第三预设阈值小于所述第四预设阈值。
11.一种风险识别装置,其特征在于,包括:
获取模块,用于接收客户端的数据消息;
解析模块,用于解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
参数确定模块,包括:区域确定子模块、量级确定子模块、成熟度确定子模块;
所述区域确定子模块用于根据预设时长内所述用户的下单商户地理位置,确定所述用户的下单区域,所述下单区域为包含各下单商户地理位置的区域;
所述量级确定子模块用于根据所述预设时长内所述用户的下单数量,确定所述用户的下单量级,所述用户的下单量级与所述用户违规操作的风险正相关;
所述成熟度确定子模块用于根据所述用户在所述预设时长内在各所述下单商户的下单数量,确定所述用户在所述预设时长内的下单均匀程度,并确定所述用户的下单成熟度,所述下单成熟度用于通过所述下单均匀程度表征用户违规操作的风险高低;
用户风险评分模块,用于根据所述用户的风险评估参数,确定所述用户的用户风险评分;所述用户风险评分与所述用户的风险评估参数具有正相关性,所述用户的风险评估参数通过所述下单区域、所述下单量级和所述下单成熟度表征;
商户风险评分模块,用于根据商户接单的各用户的所述用户风险评分,确定所述商户的商户风险评分;
标记模块,用于将所述商户风险评分满足预设条件的商户标记为风险商户。
12.根据权利要求11所述风险识别装置,其特征在于,所述成熟度确定子模块具体用于根据如下求熵公式计算所述用户的下单成熟度H:
其中,n表示所述预设时长T内用户u下单的商户数量,Ousi(T)表示所述预设时长T内,用户u在第i个商户下单的数量,Ou(T)表示用户u在所述预设时长T内的下单总量。
13.根据权利要求11所述的风险识别装置,其特征在于,所述区域确定子模块具体用于根据所述下单商户地理位置生成一个包含各所述下单商户地理位置的区域作为所述下单区域;
其中,所述下单商户地理位置包括:经纬度坐标、IP地址或行政单位。
14.根据权利要求11至13中任一项所述的风险识别装置,其特征在于,所述用户风险评分模块具体用于根据所述用户风险评分与所述风险评估参数的正相关函数确定所述用户的用户风险评分。
15.根据权利要求14中所述的风险识别装置,其特征在于,所述用户风险评分模块具体用于根据以下公式计算所述用户的用户风险评分U:
U=S(T)×Ous(T)×H(T)
其中,S(T)表示所述预设时长T内用户的下单区域,Ous(T)表示所述预设时长T内用户的下单量级,H(T)表示所述预设时长T内用户的下单成熟度。
16.根据权利要求11至13中任一项所述的风险识别装置,其特征在于,所述商户风险评分模块具体用于根据所述商户接单的各用户的下单数量,确定各用户对应的权重,并根据所述商户接单的各用户的所述用户风险评分及所述权重,确定所述商户的商户风险评分。
17.根据权利要求16所述的风险识别装置,其特征在于,所述商户风险评分模块具体用于根据以下公式计算所述商户的商户风险评分L:
其中,n表示一个商户接单的用户的数量,Ousi表示第i个用户在所述商户下单的数量,Ui表示第i个用户的用户风险评分。
18.根据权利要求11所述的风险识别装置,其特征在于,所述标记模块包括:商户标记子模块;
所述商户标记子模块具体用于将所述商户风险评分大于第一预设阈值,且不大于第二预设阈值的商户标记为潜在风险商户;将所述商户风险评分大于所述第二预设阈值的商户标记为所述风险商户;
其中,所述第一预设阈值小于所述第二预设阈值。
19.根据权利要求11所述的风险识别装置,其特征在于,所述标记模块还包括:
用户标记子模块,用于将所述用户风险评分大于预设阈值的用户标记为风险用户;
团体标记子模块,用于将同一商户接单的用户中,所述用户风险评分大于所述预设阈值的各用户标记为风险团体。
20.根据权利要求19所述风险识别装置,其特征在于,所述用户标记子模块具体用于将所述用户风险评分大于第三预设阈值,且不大于第四预设阈值的用户标记为潜在风险用户;将所述用户风险评分大于所述第四预设阈值的用户标记为所述风险用户;
其中,所述第三预设阈值小于所述第四预设阈值。
21.一种电子设备,包括存储器和处理器,所述存储器存储计算机程序,其特征在于,所述处理器运行程序时执行:
接收来自客户端的数据消息;
通过至少一个处理器解析所述数据消息,获取用户的订单交易时间及下单商户地理位置;
根据预设时长内所述用户的下单商户地理位置,通过至少一个处理器确定所述用户的下单区域,所述下单区域为包含各下单商户地理位置的区域;
根据所述预设时长内所述用户的下单数量,通过至少一个处理器确定所述用户的下单量级,所述用户的下单量级与所述用户违规操作的风险正相关;
根据所述用户在所述预设时长内在各所述下单商户的下单数量,通过至少一个处理器确定所述用户在所述预设时长内的下单均匀程度,并确定所述用户的下单成熟度,所述下单成熟度用于通过所述下单均匀程度表征用户违规操作的风险高低;根据所述用户的风险评估参数,通过至少一个处理器确定所述用户的用户风险评分;所述用户风险评分与所述用户的风险评估参数具有正相关性,所述用户的风险评估参数通过所述下单区域、所述下单量级和所述下单成熟度表征;
根据商户接单的各用户的所述用户风险评分,通过至少一个处理器确定所述商户的商户风险评分;
通过至少一个处理器将所述商户风险评分满足预设条件的商户标记为风险商户。
22.根据权利要求21所述的电子设备,其特征在于,所述处理器运行程序时执行如权利要求1至10中任一项所述的风险识别方法。
23.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如权利要求1至10中任一项所述的风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165925.0A CN110992135B (zh) | 2019-11-25 | 2019-11-25 | 一种风险识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165925.0A CN110992135B (zh) | 2019-11-25 | 2019-11-25 | 一种风险识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992135A CN110992135A (zh) | 2020-04-10 |
CN110992135B true CN110992135B (zh) | 2024-01-23 |
Family
ID=70086444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911165925.0A Active CN110992135B (zh) | 2019-11-25 | 2019-11-25 | 一种风险识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992135B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003958A (zh) * | 2020-07-03 | 2020-11-27 | 拉卡拉支付股份有限公司 | 一种定位交易地址的***及方法 |
CN112529575B (zh) * | 2020-12-14 | 2023-12-22 | 深圳市快付通金融网络科技服务有限公司 | 风险预警方法、设备、存储介质及装置 |
CN113408582B (zh) * | 2021-05-17 | 2023-08-29 | 支付宝(杭州)信息技术有限公司 | 特征评估模型的训练方法及装置 |
CN114820169B (zh) * | 2022-05-05 | 2023-05-16 | 广州飞泉小额贷款有限公司 | 一种金融业务的数据服务处理***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191226A (zh) * | 2018-06-29 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 风险控制方法和装置 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110009372A (zh) * | 2012-08-03 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种用户风险识别方法和装置 |
CN110298563A (zh) * | 2019-06-14 | 2019-10-01 | 达疆网络科技(上海)有限公司 | 一种判别风险订单的统计方法 |
CN110310129A (zh) * | 2019-06-04 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 风险识别方法及其*** |
CN113837617A (zh) * | 2021-09-26 | 2021-12-24 | 广州新丝路信息科技有限公司 | 一种防刷单的风险管理方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8626663B2 (en) * | 2010-03-23 | 2014-01-07 | Visa International Service Association | Merchant fraud risk score |
US20170032462A1 (en) * | 2015-07-30 | 2017-02-02 | Fixnetix Limited | Systems and methods for providing real-time pre-trade risk assessment |
-
2019
- 2019-11-25 CN CN201911165925.0A patent/CN110992135B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009372A (zh) * | 2012-08-03 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种用户风险识别方法和装置 |
CN109191226A (zh) * | 2018-06-29 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 风险控制方法和装置 |
CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技(深圳)有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
CN110310129A (zh) * | 2019-06-04 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 风险识别方法及其*** |
CN110298563A (zh) * | 2019-06-14 | 2019-10-01 | 达疆网络科技(上海)有限公司 | 一种判别风险订单的统计方法 |
CN113837617A (zh) * | 2021-09-26 | 2021-12-24 | 广州新丝路信息科技有限公司 | 一种防刷单的风险管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110992135A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992135B (zh) | 一种风险识别方法、装置、电子设备及存储介质 | |
US10692151B1 (en) | Homeowners insurance application process using geotagged photos | |
KR101708444B1 (ko) | 키워드 및 자산 가격 관련성 평가 방법 및 그 장치 | |
CN107563757B (zh) | 数据风险识别的方法及装置 | |
CN109544166A (zh) | 一种风险识别方法和装置 | |
CN111177568B (zh) | 基于多源数据的对象推送方法、电子装置及存储介质 | |
CN112529575B (zh) | 风险预警方法、设备、存储介质及装置 | |
CN114119146A (zh) | 一种推荐方法、装置、电子设备及可读存储介质 | |
CN110442852B (zh) | 目标成本的编制方法、存储介质及其智能终端 | |
CN110347887B (zh) | 获取业务场景时序数据的方法及装置 | |
CN110046235B (zh) | 一种知识库评估方法、装置及设备 | |
CN107784507A (zh) | 疑似侵权商品预警方法及装置、计算机存储介质及设备 | |
CN106021511A (zh) | 一种网络账号的处理方法及装置 | |
US20190251604A1 (en) | Predicting after-rehab value of a real-estate property based on rehab-packages | |
CN113313527A (zh) | 一种连锁店的门店选址方法以及*** | |
CN105591842B (zh) | 一种获取移动终端操作***版本的方法和装置 | |
CN109727056B (zh) | 金融机构推荐方法、设备、存储介质及装置 | |
CN114817518B (zh) | 基于大数据档案识别的证照办理方法、***及介质 | |
CN108268545B (zh) | 一种分级的用户标签库的创建的方法和装置 | |
CN111581245B (zh) | 一种数据搜索方法以及装置 | |
CN105162799A (zh) | 检验客户端是否为合法移动终端的方法以及服务器 | |
CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 | |
CN112437327B (zh) | 实时全景直播拼接方法及*** | |
CN110517063B (zh) | 进店消费人次确定方法、装置及服务器 | |
CN109919811A (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |