CN112581271B - 一种商户交易风险监测方法、装置、设备及存储介质 - Google Patents
一种商户交易风险监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112581271B CN112581271B CN202011533757.9A CN202011533757A CN112581271B CN 112581271 B CN112581271 B CN 112581271B CN 202011533757 A CN202011533757 A CN 202011533757A CN 112581271 B CN112581271 B CN 112581271B
- Authority
- CN
- China
- Prior art keywords
- merchant
- analyzed
- risk
- transaction
- node
- 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
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文提供了一种商户交易风险监测方法、装置、设备及存储介质,其中,商户交易风险监测方法包括:商户交易风险监测方法,包括:根据待分析商户注册信息,识别待分析商户行业类别;根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;若所述待分析商户第一层风险监测结果为正常商户,则根据所述待分析商户交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测。本文能够建立商户行业类别及商户风险监测之间的联系,通过两级风险监测的方式能够降低人工成本、提高风险监测的准确率,避免出现漏检测的情况。还能够在不累积标签样本的情况下,一定程度上实现商户交易风险监测冷启动。
Description
技术领域
本文涉及商户交易数据分析领域,尤其涉及一种商户交易风险监测方法、装置、设备及存储介质。
背景技术
现有技术中,商户行业分类可分为人工分类和自动分类。人工分类主要是由专门人员依据商户注册所填报的信息(即商户工商注册信息)和商户分类标准进行判断后分类;自动分类主要是收集各行业商户海量交易数据、商户注册数据等数据,然后根据收集的信息形成特征和标签,训练得到机器学习模型,从而利用机器学习模型进行商户分类,或者构建商户交易图谱,依据网络结构分析得到商户所属行业。
商户交易欺诈行为检测可分为基于规则的检测和基于模型的检测。基于规则的检测是专家根据历史交易数据和经验制定规则,利用规则进行商户交易监控;基于模型的检测是利用机器学习的算法,如随机森林、异常检测等对交易数据进行建模分析。
现有商户行业分类及商户交易欺诈行为检测存在如下缺陷:1)商户行业分类及商户风险监测相互独立,没有建立相互之间的关系;2)对于人工商户分类而言,主要依赖分类人员知识,有较强的主观性,对于分类标准的理解不同将导致分类结果不同,且人工方式工作量大,效率难以保证;3)对于自动商户分类而言,依赖于商户交易数据,对于新注册尚未发生交易的商户将难以分类,或者分类效果不佳;4)对于基于规则的商户交易欺诈行为检测,主要依赖人为经验,具有精度低的缺陷;5)对于基于模型的检测,存在需要累积标签样本,无法做到冷启动(即在没有历史数据及标签的情况下)对商户及其账户进行监测,且存在样本不均衡的问题,另外,现有的模型存在可解释性差的问题。
发明内容
本文用于解决现有技术中商户的风险监测,商户行业分类及商户风险监测相互独立,没有建立相互之间的关系,且存在需要累积标签样本,无法做到冷启动对商户进行监测的问题。
为了解决上述技术问题,本文的第一方面提供一种商户交易风险监测方法,包括:
根据待分析商户注册信息,识别待分析商户行业类别;
根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;
对于第一层风险监测结果为正常的待分析商户,则根据所述正常的待分析商户交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测。
本文进一步实施例中,根据待分析商户注册信息,识别待分析商户行业类别,包括:
确定待分析商户注册信息所属文本类型;
提取所述待分析商户注册信息的特征向量;
将所述待分析商户注册信息的特征向量输入至所述待分析商户注册信息所属文本类型对应的商户行业分类模型中,计算得到待分析商户行业类别。
本文进一步实施例中,商户行业分类模型的建立过程包括:
对多个预先收集的商户注册信息进行分组;
根据每一分组以及商户的行业分类标识,分别建立各分组对应的商户行业分类模型。
本文进一步实施例中,根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测,包括:
根据待分析商户行业类别,从行业规则数据库中,检索出所述待分析商户对应的行业规则,其中,所述行业规则数据库中存储有商户行业类别与多条行业规则的对应关系;
根据待分析商户交易信息及所述待分析商户对应的行业规则,确定触发行业规则的个数及权重;
根据所述触发行业规则的个数及权重,确定所述待分析商户的风险等级;
若所述待分析商户的风险等级大于预定等级,则确定所述待分析商户为风险商户;
若所述待分析商户的风险等级小于或等于预定等级,则确定所述待分析商户为正常商户。
本文进一步实施例中,根据所述正常的待分析商户交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,包括:
根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,其中,所述节点包括商户及账户;
将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率;
判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点。
本文进一步实施例中,根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量之前还包括:
根据所述待分析商户交易信息、商户基本信息及第一层风险监测结果,提取节点、节点关系及节点属性信息;
根据提取节点、节点关系及节点属性信息,建立待分析交易关联图谱;
利用路径检索算法,挖掘所述待分析交易关联图谱中的泛化风险节点;
对于除泛化风险节点外的其余节点,提取节点的实体特征向量。
本文进一步实施例中,所述商户的节点属性信息包括:商户的行业分类、商户的风险等级及商户的触发行业规则。
本文进一步实施例中,商户交易风险监测模型建立过程包括:
根据多个商户交易数据、已有的风险商户/账户信息及商户基本信息,确定泛化风险节点及正常节点,并提取每一节点的实体特征向量,其中,所述多个商户交易数据包括账户信息及交易信息,所述节点包括商户及账户;
根据泛化风险节点的实体特征向量及正常节点的实体特征向量,训练商户交易风险监测模型。
本文进一步实施例中,根据多个商户交易数据、已有的风险商户/账户信息及商户基本信息,确定泛化风险节点及正常节点,并提取每一节点的实体特征向量,包括:
根据多个商户交易数据、已有的风险商户/账户黑名单样本及商户基本信息,提取节点、节点关系及节点属性信息;
根据所述节点、节点关系及节点属性信息,建立交易关联图谱;
利用路径检索算法挖掘出交易关联图中的泛化风险节点,所述交易关联图谱中除泛化风险节点外的其它节点为正常节点;
根据所述商户交易数据及所述交易关联图谱,提取每一节点的实体特征向量。
本文进一步实施例中,所述已有的风险商户/账户信息来源于所述第一次风险监测结果为风险的商户及尽职调查结果为真风险的商户/账户。
本文的第二方面提供一种商户交易风险监测装置,包括:
分类模块,用于根据待分析商户注册信息,识别待分析商户行业类别;
第一监测模块,用于根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;
第二监测模块,用于若所述待分析商户第一层风险监测结果为正常商户,则
根据所述待分析商户交易信息及预先建立的商户交易风险监测模型,进行第二层风险监测。
本文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,所述处理器执行所述计算机程序时实现商户交易风险监测方法。
本文的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行计算机程序,所述计算机程序被处理器执行时实现商户交易风险监测方法。
本文提供的商户交易风险监测方法、装置、设备及存储介质,通过先识别待分析商户行业类别;根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;若所述待分析商户第一层风险监测结果为正常商户,则根据所述正常的待分析商户交易信息及预先建立的商户交易风险监测模型,进行第二层风险监测,能够建立商户行业类别及商户风险监测之间的联系,通过两级风险监测的方式能够降低人工成本、提高风险监测的准确率,避免出现漏检测的情况。进一步的,根据待分析商户注册信息识别待分析商户行业类别,进而根据商户行业类别进行第一层风险监测,能够在不累积标签样本的情况下,一定程度上实现商户交易风险监测冷启动。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本文实施例商户交易风险监测方法的流程图;
图2示出了本文实施例商户行业分类模型建立过程的流程图;
图3示出了本文实施例待分析商户行业类别识别过程的流程图;
图4示出了本文实施例第一层风险监测过程的流程图;
图5示出了本文实施例商户交易风险监测模型建立过程的流程图;
图6示出了本文实施例交易关联图谱的第一示意图;
图7示出了本文实施例第二层风险监测过程的第一流程图;
图8示出了本文实施例第二层风险监测过程的第二流程图;
图9示出了本文实施例商户交易风险监测装置的结构图;
图10示出了本文实施例交易关联图谱第二示意图;
图11示出了本文实施例计算机设备的结构图。
附图符号说明:
1010、分类模块;
1020、第一监测模块;
1030、第二监测模块;
1102、计算机设备;
1104、处理器;
1106、存储器;
1108、驱动机构;
1110、输入/输出模块;
1112、输入设备;
1114、输出设备;
1116、呈现设备;
1118、图形用户接口;
1120、网络接口;
1122、通信链路;
1124、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,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,都属于本文保护的范围。
考虑到现有技术中商户的风险监测,商户行业分类及商户风险监测相互独立,没有建立相互之间的关系,且存在需要累积标签样本,无法做到冷启动对商户进行监测的问题。本文一实施例中,如图1所示,提供一种商户交易风险监测方法,本商户交易风险监测方法可以运行于智能终端及服务器,包括智能手机、平板电脑、台式计算机等,本文对具体实现方式不做限定。具体的,商户交易风险监测方法包括:
步骤110,根据待分析商户注册信息,识别待分析商户的行业分类。
在本步骤中,可同时对多个待分析商户进行风险预测,一具体实施例中,一次预测60万左右待分析商户,这些商户大概包括140万左右的账户。
待分析商户注册信息至少包括商户名称,还可包括工商注册信息(例如经营范围等)、商户入网(在银行或第三方开户)注册信息等,或还包括在其他机构中注册的信息。待分析商户注册信息可于商户入网时主动上报或从工商局或工商注册网站进行获取,本文对数据来源方式不做限定。
商户行业类别包括但不限于餐饮类、娱乐类、汽车类等,具体可参考国际上现有的分类标准,本文对此不做具体限定。
步骤120,根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测,以初步识别出风险商户及正常商户。
在本步骤中,待分析商户的交易信息包括账户信息及交易信息,账户信息包括收款账户及付款账户,交易信息包括交易金额。
具体实施时,对于第一层风险监测结果为异常的待分析商户,则可将风险商户标记入库,以便用于更新或建立商户交易风险监测模型。为了保证风险商户的认定精度及避免产生不良结果,还可启动尽职调查或销户处理等控制措施。
步骤130,对于第一层风险监测结果为正常的待分析商户,根据正常的待分析商户的交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,以挖掘出第一次风险监测未识别出的风险商户或账户。
在本步骤中,商户基本信息包括:商户法人或联系人的身份账号、性别、年龄等特征。本文对商户基本信息不做具体限定。
商户交易风险监测模型可采用现有深度学习等人工智能方法建立,本文对其具体建立方式不做限定。
本实施例通过两级风险监测的方式能够降低人工成本、提高风险监测的准确率,避免出现漏检测的情况。进一步的,根据待分析商户注册信息识别待分析商户行业类别,进而根据商户行业类别进行第一层风险监测,能够在不累积标签样本的情况下,一定程度上实现商户交易风险监测冷启动。本文根据分析出的风险商户/账户,能够进行商户监测及控制,降低商户欺诈造成的损失,进而实现反欺诈。
现有商户行业分类方法中存在如下问题的:对于人工商户分类而言,主要依赖分类人员知识,有较强的主观性,对于分类标准的理解不同将导致分类结果不同,且人工方式工作量大,效率难以保证;对于自动商户分类而言,依赖于商户交易数据,对于新注册尚未发生交易的商户将难以分类,或者分类效果不佳。
考虑到现有技术商户行业类别存在这些问题,本文一实施例中,提供了一种新型的商户行业分类模型,如图2所示,商户行业分类模型的建立过程包括:
步骤210,获取若干商户样本,其中,商户样本包括商户注册信息。
商户样本可以从已分类商户数据库中随机选取,本文对商户样本特征及具体数量不做限定,其中,已分类商户数据库中记录有入网商户的注册信息及商户的行业分类标识。
步骤220,对商户样本进行分组。
一具体实施方式中,将获取的商户样本分组成第一文本类型组、第二文本类型组。
在本步骤中,第一文本类型组指的是仅包含商户名称的商户样本,第二文本类型组指的是除了包含商品名称外,还包括经营范围等信息的商户样本。或者第一文本类型组指的是除了包含商品名称外,还包括经营范围等信息的商户样本,第二文本类型组指的是仅包含商户名称的商户样本。
具体实施时,还可采用其他分组方式,例如,将仅包含名称的商户划分为一组,将包含商户名称、经营范围的商户划分为一组,将包含商户名称、经营范围以及其他信息的商户划分为一组,本文对此不作具体限定。
步骤230,根据每一分组以及商户的行业分类标识,分别建立各分组对应的商户行业分类模型。
步骤230实施时,包括:
步骤231,获取每个商户样本的特征向量。
具体的,提取商户样本特征向量的方法包括:采用分词算法对商户样本进行分词处理;去除分词后文本中的停用词;对去除停用词的文本采用地名识别算法识别并去除地名、对去除地名后的文本采用词向量模型将文本转化为数字特征,从而得到商户样本的特征向量。
在本步骤中,分词处理可采用现有对自然语言常用的分词算法,本文对具体分词算法不做限定,例如上海浦东****股份有限公司,分词后为上海浦东****/股份/有限公司,又例如北京**知识产权代理有限公司,分词后为北京/**/知识产权/代理/有限公司。
停用词包括语气助词、介词、连接词、副词等没有实际意义的无用词,同样,地名也属于没有意义的无用词。通过去除停用词及地名,能够提高商户行业分类模型的准确率。
步骤232,针对每一分组内的商户样本,根据每个商户样本的特征向量及商户的行业分类标识,通过机器学习算法训练该分组的商户行业分类模型。
在本步骤中,商户的行业分类标识可由人工预先标识,本文对此不作限定。
机器学习算法可采用现有技术中已有的网络模型,还可以根据需求自行设计,本文对此不做限定。
因为不同分组的商户样本含有的信息量不同,因此,若统一建立一商户行业分类模型将会影响分类精度,本实施例通过对商户样本进行分组,对每组商户样本均建立了商户行业分类模型,能够对携带信息量不同的两类商户分类准确率都有较大的提升。
商户行业分类模型建立之后,可利用上述建立的商户行业分类模型进行商户行业类别预测,以得到两个商户行业分类模型为例,商户行业分类模型商户行业类别如图3所示,上述步骤110中待分析商户包括多个,对于每一待分析商户i,根据待分析商户i的注册信息,识别待分析商户行业类别,包括:
步骤310,确定待分析商户i的注册信息所属分组。本步骤也即判断待分析商户i的注册信息是否仅包含商户名称,若仅包含商户名称,则执行步骤320的分支,若还包括工商注册信息(例如经营范围)等其他信息,则执行步骤330的分支。
步骤320,提取待分析商户i的注册信息的特征向量。特征向量的提取过程参见前述实施例,此处不再详述。
步骤321,将待分析商户i的特征向量输入至商户名称训练所得的商户行业分类模型中,得到待分析商户i的商户行业类别。
步骤330,提取待分析商户i的注册信息的特征向量。特征向量的提取过程参见前述实施例,此处不再详述。
步骤331,将待分析商户i的特征向量输入至商户名称及经营范围等信息训练所得的商户行业分类模型中,得到待分析商户i的商户行业类别。
步骤340,继续获取下一待分析商户i+1的注册信息,令i=i+1,返回步骤310继续执行。
本文一实施例中,如图4所示,上述步骤120根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测,包括:
步骤410,根据待分析商户行业类别,从行业规则数据库中,检索出所述待分析商户对应的行业规则,其中,所述行业规则数据库中存储有行业分类与多条行业规则的对应关系。
在本步骤中,行业规则针对已有行业而言,其确定过程包括:对于已有行业类别的商户,根据各行业类别商户的交易数据分别统计各行业的商户交易特征;根据商户交易特征设计交易监测阈值;根据交易监测阈值设定行业规则。
具体的,各行业的商户交易特征例如包括但不限行业交易时间、交易最大值、交易平均值、交易频度等。交易监测阈值用于判断明显不符合行业交易特征的情况,例如便利店的其中一交易金额行业规则为交易金额范围的监测阈值为1~500,假设某一商户a频繁交易在万元左右,就会触易金额行业规则。
各行业的行业规则往往不同,例如便利店的交易金额行业规则为交易金额范围的监测阈值为1~500,但对于电器商场而言,其交易金额行业规则为交易金额范围的监测阈值为万元左右。具体实施时,各行业的行业规则可根据实际分析情况进行设定,本文对此不作限定。
步骤420,根据待分析商户交易信息及所述待分析商户对应的行业规则,确定触发行业规则的个数及权重。
行业规则确定时,可根据其重要程度,设定行业规则的权重。
步骤430,根据所述触发行业规则的个数及权重,确定所述待分析商户的风险等级。风险等级与行业规则个数及权重具有对应关系,一般而言,触发行业规则个数越多,权重越大,商户的风险等级越高。
一具体实施方式中,商户的风险等级被划分为:高风险商户、中等风险商户、低风险商户及无风险商户。其他实施方式中,还可对商户风险等级做其他划分,本文对此不作限定。各风险等级可对应相应的评分,具体分值可根据行业规则个数及权重计算,分值越高,对应的风险越大。
步骤440,判断若所述待分析商户的风险等级是否大于预定等级(例如低风险),若大于,则确定所述待分析商户为风险商户。若所述待分析商户的风险等级小于或等于预定等级,则确定所述待分析商户为正常商户。
对于确定出的风险商户,可作为商户交易风险监测模型建模时的黑样本使用。
进一步的,为了保证第一层风险监测的准确度,对于步骤440确定出的风险商户,还可对其启动尽职调查程序,由人工确认风险商户是否真的为真的存在风险。若尽职调查结果为风险账户,则需要对商户进行销户操作。
本文通过第一层风险监测能够筛选出部分风险商户,为了保证挖掘出更多的风险商户/账户,在第一层风险监测的基础上,启动第二层风险监测。第二层风险监测的基础是要预先建立商户交易风险监测模型,本文使用的商户交易风险模型可以为采用现有技术建立的模型。本文一实施例中,为了解决现有商户交易风险模型建立方式存在样本不均衡及可解释性差的问题,提供一种新的商户交易风险监测模型建立方法,如图5所示,包括:
步骤510,根据多个商户交易数据、已有的商户/账户黑名单样本及商户基本信息,确定泛化风险节点及正常节点,其中,所述多个商户交易数据包括账户信息及交易信息,所述节点包括商户及账户。
本步骤510的一些实施方式中,基于关联图谱知识确定泛化风险节点,具体的,步骤510包括:
步骤511,根据多个商户交易数据、已有的商户/账户黑名单样本及商户基本信息,提取节点、节点关系及节点属性信息。
本步骤中,商户交易数据包括:交易金额、交易频次。
已有的商户/账户黑名单样本中记录有风险商户/账户的信息。
商户基本信息包括:身份证号、商户号、是否为黑名单的标识。
节点指的是商户或账户,节点关系表示商户与账户之间存在归属关系、交易关系,每一商户包括至少一账户,同一账户可以属于一商户还可以属于多个商户。商户的节点属性信息包括是否属于风险节点,还可以包括:商户的行业分类、商户的风险等级及商户的触发行业规则。
本步骤执行之前,还包括:商户交易数据进行数据预处理,其中,数据预处理的过程包括但不限于,去重数据、补全数据等。
步骤512,根据所述节点、节点关系及节点属性信息,建立交易关联图谱。
本步骤中,建立的交易关联图谱如图6所示,图6中圆圈处表示节点,白色圈表示账户,黑色圈表示商户,箭头表示节点关系。
具体实施时,关联图谱的实施过程可参见现有技术,本文不再详述。
步骤513,利用路径检索算法从所述交易关联图谱中,挖掘出泛化风险节点,所述交易关联图谱中除泛化风险节点外的其它节点为正常节点。
本步骤中,路径检索算法用于找出代价最小的最优路径,其具体实施过程可参考现有技术,本文对此不作限定。
详细的说,步骤513的具体实施过程包括:先在交易关联图谱中标注风险商户/账户;对已标注为风险商户/账户,利用路径检索算法挖掘其交易轨迹;对挖掘出交易轨迹进行分析,从而挖掘出泛化风险商户或账户信息,即挖掘出泛化风险节点。
确定出泛化风险节点之后,还可通过人工尽职调查的方式进一步判断泛化风险节点是否真的存在风险。
步骤520,构建每一节点的实体特征向量。
本步骤中,根据所述多个商户交易数据及所述交易关联图谱,提取每一节点的实体特征向量。
具体的,节点的实体特征向量包括:节点自身特征以及节点的结构特征。节点自身特征反映节点的独立特征,不受其它节点影响,例如对于一商户节点而言,其自身特点包括商户法人或联系人身份证号、性别等信息,其结构特征包括商户直接关联的账户数量。又例如对于一账户节点而言,其自身特点包括账户名称,其结构特征包括与其直接发生交易的账户数量等。本文对节点自身特征及结构特征不做具体限定。
步骤530,根据泛化风险节点的实体特征向量及正常节点的实体特征向量,训练商户交易风险监测模型。
本步骤中,可采用深度学习算法预先建立商户交易风险监测模型,将实体特征向量作为数据,商户/账户的风险概率作为输出。具体训练过程可参考现有技术,本文对具体训练过程不做限定。
基于上一实施例建立的商户交易风险监测模型即可进行商户交易风险监测,具体的,如图7所示,上述步骤130根据所述正常的待分析商户的交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,包括:
步骤710,根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,其中,节点包括商户及账户,商户与账户之间存在归属关系,每一商户包括至少一账户,同一账户可以属于一商户还可以属于多个商户。
具体的,节点的实体特征向量包括:节点自身特征以及节点的结构特征。节点自身特征反映节点的独立特征,不受其它节点影响,例如对于一商户节点而言,其自身特点包括商户法人或联系人身份证号、性别等信息,其结构特征包括商户直接关联的账户数量。又例如对于一账户节点而言,其自身特点包括账户名称,其结构特征包括与其直接发生交易的账户数量等。本文对节点自身特征及结构特征不做具体限定。
步骤720,将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率。
步骤730,判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点。
本文一实施例中,为了减轻利用商户交易风险监测模型预测的压力,在上述步骤710执行之前,还包括:利用关联图谱的方式在第一步风险监测的基础上,筛选出泛化的风险商户或账户,具体的,如图8所示,包括:
步骤810,根据所述待分析商户交易信息及第一层风险监测结果,提取节点、节点关系及节点属性信息。
本步骤中,节点指的是商户或账户,节点关系表示商户与账户之间存在归属关系,每一商户包括至少一账户,同一账户可以属于一商户还可以属于多个商户。商户的节点属性信息至少包括监测结果,还可以包括:商户的行业分类、商户的风险等级及商户的触发行业规则。
本步骤执行之前,还包括:对待分析商户交易信息进行数据预处理,其中,数据预处理的过程包括但不限于,去重数据、补全数据等。
步骤820,根据提取节点、节点关系及节点属性信息,构造待分析交易关联图谱。
本步骤中,建立的交易关联图谱如图6所示,图6中圆圈处表示节点,白色圈表示账户,黑色圈表示商户,箭头表示节点关系。
具体实施时,关联图谱的实施过程可参见现有技术,本文不再详述。
步骤830,利用路径检索算法,挖掘所述待分析交易关联图谱中的泛化风险节点。
本步骤中,路径检索算法用于找出代价最小的最优路径,其具体实施过程可参考现有技术,本文对此不作限定。
详细的说,步骤830的具体实施过程包括:先在交易关联图谱中标注风险商户(第一层风险监测结果);对已标注为风险商户,利用路径检索算法挖掘其交易轨迹;对挖掘出交易轨迹进行分析,从而挖掘出泛化风险商户或账户信息,即挖掘出泛化风险节点。
确定出泛化风险节点之后,还可通过人工尽职调查的方式进一步判断泛化风险节点是否真的存在风险。
本文一实施例中,为了便于监控人员直观了解风险节点,在步骤730确定出潜在的风险节点之后,还包括:在步骤820建立的交易关联图谱中标识出步骤730确定出的风险节点,并对交易关联图谱可视化,以便直观展示出风险商户/账户的交易轨迹。展示结果如图9所示。
为了更清楚说明本文技术方案,下面以一具体实施例进行详细说明,本实施例实施之前,先采用图2所示方法建立商户行业分类模型,采用图5所示方法建立商户交易风险监测模型,具体的,商户交易风险监测方法包括:
1)根据待分析商户注册信息,识别待分析商户行业类别。
(1)确定待分析商户i的注册信息所属分组;
(2)提取待分析商户i的注册信息的特征向量;
(3)将待分析商户i的注册信息的特征向量输入至分组相对应的商户行业分类模型中,得到待分析商户i的行业分类;
(4)获取下一待分析商户i+1,令i=i+1,返回步骤(1)继续执行,直至分析出所有待分析商户的行业分类为止。
将商户行业类别作为商户特征补充至商户交易风险监测模型建模时所需要的商户属性数据中。
2)运用步骤1)确定出的待分析商户行业类别,实现第一层的商户交易风险监测。
(1)根据待分析商户行业类别,从行业规则数据库中,检索出所述待分析商户对应的行业规则;
(2)根据待分析商户交易信息及所述待分析商户对应的行业规则,确定触发行业规则的个数及权重;
(3)根据所述触发行业规则的个数及权重,确定所述待分析商户的风险等级,风险等级与行业规则个数及权重具有对应关系;
(4)判断若所述待分析商户的风险等级是否大于预定等级(例如低风险),若大于,则确定所述待分析商户为风险商户;
(5)将本层确定出的风险商户存入数据库中,以便后续更新商户交易风险监测模型,另还对风险商户启动尽职调查,以人工方式精确确定商户是否存在风险。
3)第二层基于半监督技术的商户交易风险监测。
(1)根据所述待分析商户交易信息及第一层风险监测结果,提取节点、节点关系及节点属性信息;
(2)根据提取节点、节点关系及节点属性信息,建立待分析交易关联图谱;
(3)利用路径检索算法,挖掘所述待分析交易关联图谱中的泛化风险节点;
(4)对于非泛化风险节点,即正常节点,获取节点的实体特征向量,其中,节点包括商户及账户,商户与账户之间存在归属关系,每一商户包括至少一账户,同一账户可以属于一商户还可以属于多个商户;
(5)将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率;
(6)判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点;
(7)在交易关联图谱中标记风险节点,并进行可视化,可视化图谱如图9所示,直观展示出存在风险的商户/账户交易轨迹;
图9中,白色圆圈表示账户,黑色圆圈表示商户,黑色细边表示商户与账户所属关系,黑色粗边表示账户与账户之间的交易关系。泛化出的风险商户/账户用虚线圈出,其他实施方式中还可通过闪烁、增加背景色的方式划分为泛化风险并同时展示了账户的相关交易轨迹。
(8)将本层确定出的风险节点存入数据库中,以便后续更新商户交易风险监测模型,另还对风险节点启动尽职调查,以人工方式精确确定节点是否存在风险。
基于同一发明构思,本文还提供一种商户交易风险监测装置,如下面的实施例所示。由于商户交易风险监测装置解决问题的原理与商户交易风险监测方法相似,因此商户交易风险监测装置的实施可以参见商户交易风险监测方法,重复之处不再赘述。本实施例提供的商户交易风险监测***包括多个功能模块,均可以由专用或者通用芯片实现,还可以通过软件程序实现,本文对此不作限定。
具体的,如图10所示,商户交易风险监测装置包括:
分类模块1010,用于识别待分析商户行业类别;
第一监测模块1020,用于根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;
第二监测模块1030,用于对于所述待分析商户第一层风险监测结果为正常的待分析商户,则根据所述正常的待分析商户交易信息及预先建立的商户交易风险监测模型,进行第二层风险监测。
本实施例通过两级风险监测的方式能够降低人工成本、提高风险监测的准确率,避免出现漏检测的情况。进一步的,根据待分析商户注册信息识别待分析商户行业类别,进而根据商户行业类别进行第一层风险监测,能够在不累积标签样本的情况下,一定程度上实现商户交易风险监测冷启动。
具体的,商户交易风险监测装置在使用之前,需预先建立商户行业分类模型及商户交易风险检测模型。下面详细说明这两个模型的具体建立过程。
(1)商户行业分类模型建立过程包括:
将多个预先收集的商户注册信息分组成第一文本类型组、第二文本类型组;
对于每一文本类型组,分别执行如下步骤:获取每个商户样本的特征向量;根据每个商户样本的特征向量及商户的行业分类标识,通过机器学习算法训练商户行业分类模型。
(2)商户交易风险检测模型建立过程包括:
根据多个商户交易数据、已有的风险商户/账户信息及商户基本信息,提取节点、节点关系及节点属性信息;
根据所述节点、节点关系及节点属性信息,建立交易关联图谱;
利用路径检索算法从所述交易关联图谱中,挖掘出泛化风险节点,所述交易关联图谱中除泛化风险节点外的其它节点为正常节点;
根据所述多个商户交易数据及所述交易关联图谱,提取每一节点的实体特征向量;
根据泛化风险节点的实体特征向量及正常节点的实体特征向量,训练商户交易风险监测模型。
本文一实施例中,上述第一监测模块1020根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测,包括:
根据待分析商户行业类别,从行业规则数据库中,检索出所述待分析商户对应的行业规则,其中,所述行业规则数据库中存储有行业分类与多条行业规则的对应关系;
根据待分析商户交易信息及所述待分析商户对应的行业规则,确定触发行业规则的个数及权重;
根据所述触发行业规则的个数及权重,确定所述待分析商户的风险等级;
若所述待分析商户的风险等级大于预定等级,则确定所述待分析商户为风险商户;
若所述待分析商户的风险等级小于或等于预定等级,则确定所述待分析商户为正常商户。
本文一实施例中,上述第二监测模块1030根据所述正常的待分析商户交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,包括:
根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,其中,所述节点包括商户及账户;
将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率;
判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点。
具体实施时,根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,之前还包括:
根据所述待分析商户交易信息、商户基本信息及第一层风险监测结果,提取节点、节点关系及节点属性信息;
根据提取节点、节点关系及节点属性信息,建立待分析交易关联图谱;
利用路径检索算法,挖掘所述待分析交易关联图谱中的泛化风险节点;
对于除泛化风险节点外的其余节点,提取节点的实体特征向量。
本文提供的商户交易风险监测方法、装置、设备及存储介质,能够取得如下技术效果:
1)解决商户交易监控冷启动问题,在无需商户历史交易数据的情况下,仅凭商户注册信息及现有交易信息即可实现新增商户交易监控。
2)采用商户行业类别风险预测与商户交易风险监测模型预测相结合的二级监测模式,能够提高商户风险监测准确率。
3)建立商户交易风险监测模型时利用知识图谱的半监督技术挖掘出泛化风险商户/账户(黑样本),能够在只需少量黑样本的情况下,即可训练得到准确率高的商户交易风险监测模型;利用商户行业类别及商户交易风险监测模型的交易监测结果可以丰富商户交易风险监测模型的标签样本和数据特征,进一步提高交易监控准确率。
4)对商户工行注册信息进行分组,并对每组建立商户行业分类模型,能够提高商户行业类别效率和准确率。
5)模型输出结果可解释性好.通过知识图谱可视化,直观展示出存在风险或账户的问题交易轨迹。
本文一实施例中,如图11所示,还提供一种计算机设备,计算机设备1102可以包括一个或多个处理器1104,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备1102还可以包括任何存储器1106,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器1106可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备1102的固定或可移除部件。在一种情况下,当处理器1104执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备1102可以执行相关联指令的任一操作。计算机设备1102还包括用于与任何存储器交互的一个或多个驱动机构1108,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1102还可以包括输入/输出模块1110(I/O),其用于接收各种输入(经由输入设备1112)和用于提供各种输出(经由输出设备1114))。一个具体输出机构可以包括呈现设备1116和相关联的图形用户接口1118(GUI)。在其他实施例中,还可以不包括输入/输出模块1110(I/O)、输入设备1112以及输出设备1114,仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1120,其用于经由一个或多个通信链路1122与其他设备交换数据。一个或多个通信总线1124将上文所描述的部件耦合在一起。
通信链路1122可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路1122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本文一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例所述的商户交易风险监测方法的步骤。
本文一实施例中,还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行上述任一实施例所述的商户交易风险监测方法的步骤。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,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。另外,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,也可以是电的,机械的或其它的形式连接。
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单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述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-Only Memory)、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。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (11)
1.一种商户交易风险监测方法,其特征在于,包括:
根据待分析商户注册信息,识别待分析商户行业类别;
根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;
对于第一层风险监测结果为正常的待分析商户,根据所述正常的待分析商户的交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测;
根据所述正常的待分析商户的交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,包括:
根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,其中,所述节点包括商户及账户;
将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率;
判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点。
2.如权利要求1所述的方法,其特征在于,根据待分析商户注册信息,识别待分析商户行业类别,包括:
确定待分析商户注册信息所属分组;
提取所述待分析商户注册信息的特征向量;
将所述待分析商户注册信息的特征向量输入至所述待分析商户注册信息所属分组对应的商户行业分类模型中,计算得到待分析商户行业类别。
3.如权利要求2所述的方法,其特征在于,商户行业分类模型的建立过程包括:
对多个预先收集的商户注册信息进行分组;
根据每一分组以及商户的行业分类标识,分别建立各分组对应的商户行业分类模型。
4.如权利要求1所述的方法,其特征在于,根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测,包括:
根据待分析商户行业类别,从行业规则数据库中,检索出所述待分析商户对应的行业规则,其中,所述行业规则数据库中存储有商户行业类别与多条行业规则的对应关系;
根据待分析商户交易信息及所述待分析商户对应的行业规则,确定触发行业规则的个数及权重;
根据所述触发行业规则的个数及权重,确定所述待分析商户的风险等级;
若所述待分析商户的风险等级大于预定等级,则确定所述待分析商户为风险商户;
若所述待分析商户的风险等级小于或等于预定等级,则确定所述待分析商户为正常商户。
5.如权利要求1所述的方法,其特征在于,根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量之前还包括:
根据所述待分析商户交易信息、商户基本信息及第一层风险监测结果,提取节点、节点关系及节点属性信息;
根据提取节点、节点关系及节点属性信息,建立待分析交易关联图谱;
利用路径检索算法,挖掘所述待分析交易关联图谱中的泛化风险节点;
对于除泛化风险节点外的其余节点,提取节点的实体特征向量。
6.如权利要求5所述的方法,其特征在于,所述商户的节点属性信息包括:商户的行业分类、商户的风险等级及商户的触发行业规则。
7.如权利要求1所述的方法,其特征在于,商户交易风险监测模型建立过程包括:
根据多个商户交易数据、已有的风险商户/账户黑名单样本及商户基本信息,确定泛化风险节点及正常节点,并构建每一节点的实体特征向量,其中,所述多个商户交易数据包括账户信息及交易信息,所述节点包括商户及账户;
根据泛化风险节点的实体特征向量及正常节点的实体特征向量,训练商户交易风险监测模型。
8.如权利要求7所述的方法,其特征在于,根据多个商户交易数据、已有的风险商户/账户信息及商户基本信息,确定泛化风险节点及正常节点,并构建每一节点的实体特征向量,包括:
根据多个商户交易数据、已有的风险商户/账户黑名单样本及商户基本信息,提取节点、节点关系及节点属性信息;
根据所述节点、节点关系及节点属性信息,建立交易关联图谱;
利用路径检索算法,挖掘出交易关联图谱中的泛化风险节点,所述交易关联图谱中除泛化风险节点外的其它节点为正常节点;
根据所述商户交易数据及所述交易关联图谱,构建每一节点的实体特征向量。
9.一种商户交易风险监测装置,其特征在于,包括:
分类模块,用于根据待分析商户注册信息,识别待分析商户行业类别;
第一监测模块,用于根据待分析商户行业类别及待分析商户交易信息,进行第一层风险监测;
第二监测模块,用于对于所述待分析商户第一层风险监测结果为正常的待分析商户,则根据所述正常的待分析商户交易信息及预先建立的商户交易风险监测模型,进行第二层风险监测;
所述第二监测模块根据所述正常的待分析商户的交易信息、商户基本信息及预先建立的商户交易风险监测模型,进行第二层风险监测,包括:
根据所述正常的待分析商户交易信息及商户基本信息,获取节点的实体特征向量,其中,所述节点包括商户及账户;
将所述节点的实体特征向量输入至预先建立的商户交易风险监测模型中,得到所述节点的风险概率;
判断所述节点的风险概率是否高于预定阈值,若所述节点的风险概率高于预定阈值,则确定所述节点为风险节点。
10.一种计算机设备,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计算机程序时实现权利要求1至8任一项所述的商户交易风险监测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的商户交易风险监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533757.9A CN112581271B (zh) | 2020-12-21 | 2020-12-21 | 一种商户交易风险监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533757.9A CN112581271B (zh) | 2020-12-21 | 2020-12-21 | 一种商户交易风险监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581271A CN112581271A (zh) | 2021-03-30 |
CN112581271B true CN112581271B (zh) | 2022-11-15 |
Family
ID=75139165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533757.9A Active CN112581271B (zh) | 2020-12-21 | 2020-12-21 | 一种商户交易风险监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581271B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971040A (zh) * | 2022-06-01 | 2022-08-30 | 中国银行股份有限公司 | 无人银行网点风险控制方法及装置 |
CN116029808B (zh) * | 2023-03-23 | 2023-06-30 | 北京芯盾时代科技有限公司 | 一种风险识别模型训练方法、装置及电子设备 |
CN117575796B (zh) * | 2024-01-15 | 2024-06-28 | 快捷通支付服务有限公司 | 一种用于确定商户风险信息的方法、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109961296A (zh) * | 2017-12-25 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 商户类型识别方法及装置 |
CN111612606A (zh) * | 2020-04-11 | 2020-09-01 | 交通银行股份有限公司上海市分行 | 一种商户欺诈风险监控***及数据挖掘方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106656932B (zh) * | 2015-11-02 | 2020-03-20 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
CN107316134A (zh) * | 2017-06-16 | 2017-11-03 | 深圳乐信软件技术有限公司 | 一种风险控制方法、装置、服务器及存储介质 |
CN109948704A (zh) * | 2019-03-20 | 2019-06-28 | ***股份有限公司 | 一种交易监测方法与装置 |
CN110111110A (zh) * | 2019-04-01 | 2019-08-09 | 北京三快在线科技有限公司 | 基于知识图谱检测欺诈的方法和装置、存储介质 |
CN110348850A (zh) * | 2019-05-28 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 聚合支付商户的套现风险检测方法及装置、电子设备 |
CN111062770B (zh) * | 2019-10-31 | 2023-07-18 | 支付宝(杭州)信息技术有限公司 | 商户识别方法、设备及计算机可读介质 |
CN111311316B (zh) * | 2020-02-03 | 2023-05-23 | 支付宝(杭州)信息技术有限公司 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
-
2020
- 2020-12-21 CN CN202011533757.9A patent/CN112581271B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961296A (zh) * | 2017-12-25 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 商户类型识别方法及装置 |
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 |
CN111612606A (zh) * | 2020-04-11 | 2020-09-01 | 交通银行股份有限公司上海市分行 | 一种商户欺诈风险监控***及数据挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112581271A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581271B (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
US10698795B2 (en) | Virtual payments environment | |
CN102667775B (zh) | 训练和使用具有关联规则模型的分类模型的方法 | |
CN111932130B (zh) | 业务类型识别方法及装置 | |
CN112559771A (zh) | 基于知识图谱的资金交易智能监测方法及监测*** | |
CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
Min et al. | Behavior language processing with graph based feature generation for fraud detection in online lending | |
CN113450215A (zh) | 交易数据的风险检测方法、装置和服务器 | |
CN112884480A (zh) | 异常交易识别模型的构造方法、装置、计算机设备和介质 | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及*** | |
WO2022136692A1 (en) | Method for calculating at least one score representative of a probable activity breakage of a merchant, system, apparatus and corresponding computer program | |
CN114140241A (zh) | 一种交易监控指标的异常识别方法及装置 | |
CN113052604A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN111932131A (zh) | 业务数据处理方法及装置 | |
Lawrencia et al. | Fraud detection decision support system for Indonesian financial institution | |
CN110570301A (zh) | 风险识别方法、装置、设备及介质 | |
Hamidi et al. | Presenting a Model to Detect the Fraud in Banking using Smart Enabling Tools | |
KR20240013349A (ko) | 기업 부실 진단 플랫폼의 운영 방법 및 장치 |
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 |