CN115034788A - 交易风险评估方法及装置、电子设备、存储介质 - Google Patents
交易风险评估方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN115034788A CN115034788A CN202110257007.1A CN202110257007A CN115034788A CN 115034788 A CN115034788 A CN 115034788A CN 202110257007 A CN202110257007 A CN 202110257007A CN 115034788 A CN115034788 A CN 115034788A
- Authority
- CN
- China
- Prior art keywords
- risk
- transaction
- user
- guest group
- interval
- 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
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例揭示了一种交易风险评估方法及装置,该方法包括:获取待评估交易风险的用户所属的客群,待评估交易风险的用户包含于客群中;获取风险确定性模型针对客群中的各个用户输出的第一风险分值,风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对各个用户输出的第二风险分值,不确定性新增模型是根据非确定性维度的风险特征构建的;根据客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间;根据多个客群区间之间的风险程度排序,以及待评估交易风险的用户所在客群区间的风险程度,确定待评估交易风险的用户的交易风险值。本申请能够保证交易风险值的准确性。
Description
技术领域
本申请涉及信息安全技术领域,具体而言,涉及一种交易风险评估方法及装置、电子设备、计算机可读存储介质。
背景技术
根据***组织的指引,当出现争议***交易时,持卡人可以透过***发卡机构向商户的收单机构提出拒付申请,若拒付申请获得收单机构的接纳,收单机构会将有关***交易撤销,并透过发卡机构将***支付的款项退回给持卡人。
收单机构每接纳一笔拒付申请,都将带来一定程度的损失,因此如何降低***交易拒付风险,是目前亟待解决的问题。
发明内容
为解决上述技术问题,本申请的实施例提供了一种交易风险评估方法及装置、电子设备、计算机可读存储介质。
根据本申请实施例的一个方面,提供了一种交易风险评估方法,包括:获取待评估交易风险的用户所属的客群,所述待评估交易风险的用户包含于所述客群中;获取风险确定性模型针对所述客群中的各个用户输出的第一风险分值,所述风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对所述各个用户输出的第二风险分值,所述不确定性新增模型是根据非确定性维度的风险特征构建的;根据所述客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,所述客群区间的风险程度根据所述客群区间中的多个用户的历史交易信息确定;根据所述多个客群区间之间的风险程度排序,以及所述待评估交易风险的用户所在客群区间的风险程度,确定所述待评估交易风险的用户的交易风险值。
根据本申请实施例的一个方面,提供了一种交易风险评估装置,包括:客群获取模块,配置为获取待评估交易风险的用户所属的客群,所述待评估交易风险的用户包含于所述客群中;风险分值获取模块,配置为获取风险确定性模型针对所述客群中的各个用户输出的第一风险分值,所述风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对所述各个用户输出的第二风险分值,所述不确定性新增模型是根据非确定性维度的风险特征构建的;客群区间获取模块,配置为根据所述客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,所述客群区间的风险程度根据所述客群区间中的多个用户的历史交易信息确定;交易风险获取模块,配置为根据所述多个客群区间之间的风险程度排序,以及所述待评估交易风险的用户所在客群区间的风险程度,确定所述待评估交易风险的用户的交易风险值。
根据本申请实施例的一个方面,提供了一种电子设备,包括处理器及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的交易风险评估方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的交易风险评估方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施例中提供的交易风险评估方法。
在本申请的实施例提供的技术方案中,根据用户所属的客群来对用户的交易风险进行评估,并且评估过程中引入了风险确定性模型和不确定性新增模型,这种评估方式通过进行客群风险差异化识别,来得到用户的交易风险值。收单机构可通过对用户的交易风险值进行评估来量化用户的交易风险,并通过对用户账户发起的交易进行风险应对处理,由此降低***交易拒付风险,也降低收单机构的损失。
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,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请的一示例性实施例示出的交易风险评估方法的流程图;
图2是一示例性的风险特征变动示意图;
图3是另一示例性的风险特征变动示意图;
图4是图1所示实施例中的步骤S150在一个实施例中的流程图;
图5是图1所示实施例中的步骤S170在一个实施例中的流程图;
图6是一示例性的客群数据示意图;
图7是针对图6所示的客群数据进行处理得到的交易风险值分布示意图;
图8是本申请的一示例性实施例示出的交易风险评估装置的框图;
图9示出了适于用来实现本申请实施例的电子设备的计算机***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执行说明,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申请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、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/ 步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。
目前,***交易风险处理过程存在一种主流的风险评分模型体系,即 FICO信用评分***,这是一种在X国广泛使用的信用评分***,主要从偿还历史、信用账户数、使用信用的年限、新开立的信用账户、正在使用的信用类型五个维度来评估用户的信用水平。FICO信用评分***得出的信用分数范围通常在300~850分之间,用户的信用分数越高,表示用户的信用风险越小。
FICO信用评分***得以在X国广泛使用的一个重要原因在于,FICO信用评分***是收集了大量的个人信用记录,并经过严格的模型修正和压力测试,才建立的标准化、客观的信用评分***。也即,FICO信用评分***依赖于对信用风险市场累计的大量历史数据,在其它国家或者不同业务场景下都无法适用。
例如在国际支付银行卡(以下称为“外卡”,是指发卡机构发行的国际***组织品牌的***)交易的业务场景下,目前外卡交易中只需保证填写的******、有效期、***安全码等信息有效即可进行交易,其它大部分信息无法完全验证有效性,且实名信息有效性极难校验。由于外卡收单机构处并不存在积累的大量用户的信用风险、交易行为、实名信息比对等信息,缺乏大量且特征显著的特征数据,因此无法根据FICO信用评分***开发有效的交易风险评分模型。
本申请考虑到外卡交易业务具有客群、外卡银行国家以及发起交易地非常广泛,并且位于不同区域中的不同客群的交易风险差异显著,加上目前外卡交易业务处于交易增长期,不同客群可能在某个区域结构性增长或变动等特点,提出能够准确评估用户交易风险的交易风险评估方案,详细内容请参见后续实施例中记载的内容。
需要说明的是,本申请所提出的交易风险评估方案并不仅限于在上述外卡业务场景中使用,也可以适用于其它类型的***业务场景,本实施例不对此进行限制。
图1是本申请的一示例性实施例示出的交易风险评估方法的流程图。如图1所示,该交易风险评估方法至少包括步骤S110至步骤S170,详细介绍如下:
步骤S110,获取待评估交易风险的用户所属的客群,待评估交易风险的用户包含于客群中。
本实施例提及的待评估交易风险的用户应理解为是用户标识,以通过该用户标识来表征待评估交易风险的用户。用户标识例如可以是待评估交易风险的用户所使用的***账户名,或者是其它标识信息,本实施例不对此进行限制。
客群是指用户集合,待评估交易风险的用户所属的客群可以根据该用户使用***进行交易的业务类型进行确定,例如将在相同业务类型上进行交易的用户获取为客群中的用户,或者将在相同业务类型上出现交易异常的用户获取为客群中的用户,客群中还可以同时含有这两种类型的用户,本实施例也不对此进行限制。
需要说明的是,用户使用***进行交易的业务类型可以包括游戏、电商、直播等,也可以根据实际应用场景确定,本处并不对此进行限制。客群中含有的在相同业务类型上出现交易异常的用户,能够为后续进行的交易风险评估过程提供更为显著的风险特征,因此能够促进交易风险评估的效果。
还需要说明的是,本实施例中涉及的交易风险可以包括交易拒付风险,还可以包括其它类型的交易风险,具体风险类型可以根据实际的业务场景进行确定。
步骤S130,获取风险确定性模型针对客群中的各个用户输出的第一风险分值,风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对各个用户输出的第二风险分值,不确定性新增模型是根据非确定性维度的风险特征构建的。
其中,确定性维度的风险特征是指能够相对客观稳定地评估用户的交易风险的特征信息,确定性维度的风险特征对于交易风险不容易产生变化,不会涉及经常性的变动。
例如在外卡交易业务场景下,确定性维度的风险特征可以包括外卡银行国家(不同国家由于经济等因素差异,整体拒付情况存在差异)、外卡账户历史交易记录(旧外卡账号和新外卡账号的风险情况存在差异)、账户实名情况(例如账户关联的身份证实名情况、账户关联的护照实名情况等)等,这些特征不会随着季节或外卡交易业务发展出现较大的风险差异变动,例如图2所示,发达国家A和发展中国家B的外卡拒付率并不会随着季节或外卡交易业务发展出现较大的风险差异变动。
风险确定性模型可根据预先收集的确定性维度的风险特征和实际业务中出现风险的数据进行构建,例如构建逻辑回归模型。由此,根据确定性维度的风险特征构建的风险确定性模型通常具有很长的模型更新周期。
不确定性维度的风险特征则是指难以相对客观稳定地评估用户的交易风险的特征信息,不确定性维度的风险特征对于交易风险容易产生变化,涉及经常性的变动。仍以外卡交易业务场景为例,不确定性维度的风险特征可以包括区域拒付风险变动情况、区域结构性变动情况(例如区域处于业务推广期)、交易手法变动、销账渠道变更等特征,这些特征可能会随着季节、产品等快速变更而进行迭代。
由此,不确定性新增模型通常具有较短的更新周期,例如当不确定性维度的风险特征发生变动时,需及时不确定性新增模型,因此不确定性新增模型需具备快速迭代的特点。不确定性新增模型可通过XGboost机器学习模型、 LightGBM机器学习模型和深度学习模型进行构建得到。
例如图3所示,若假设直播平台C在A国有着严格的审查制度,针对充值等业务有着严格管制,对应的外卡拒付率较为平稳,但是在B国管制不严格,这些直播商户在B国受舆论影响商户策略忽严忽紧变动频繁。如果不确定性新增模型无法快速迭代,则直播商户在B国收紧政策时,通过不确定新增模型无法得到合理的风险分值,进而影响针对用户评估得到的交易风险值的合理性,在根据用户的交易风险值执行风险应对策略时则未能及时合理放开交易风险策略阈值,会拦截许多用户的合理正常交易,导致用户体验不佳;而在直播商户在B国放开政策时,未能及时拦截有风险交易,收单机构收到的拒付申请会突增,导致收单机构损失增加。
本实施例设置不确定性新增模型对于新增客群的交易风险评估具有较好的效果,设置风险确定性模型对于老客群的交易风险评估具有较好的效果。在本实施例提出的交易风险评估方案中,结合二者模型针对待评估交易风险的用户所属客群中的各个用户输出的风险分值,来评估用户的交易风险值,对实际的交易业务场景具有极强的适应性。
在本实施例中,风险确定性模型可以根据客群中用户发起交易时填写的信息和部分历史交易信息来获得用户的第一风险分值,其中用户发起交易时填写的信息可以包括******、有效期、信用安全码等信息。不确定性新增模型可根据用户交易特征、所属客群、交易商户变动等信息来获得用户的第二风险分值。
由此,本实施例针对待评估交易风险的用户所属的客群中的每个用户,都将得到相应的第一风险分值和第二风险分值。
步骤S150,根据客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,客群区间的风险程度根据客群区间中的多个用户的历史交易信息确定。
本实施例根据待评估交易风险的用户所属的客群中所有用户的第一风险分值和第二风险分值,将该客群划分为多个客群区间,且不同的客群区间不同的风险程度。客群区间可以理解为是由第一风险分值和第二风险分值两个维度形成的二维区间,客群区间中含有多个用户,且每个用户在客群区间中能够找到对应的第一风险分值和第二风险分值。
客群区间的风险程度根据其中含有的多个用户的历史交易信息进行确定,用户的历史交易信息例如包括用户在历史交易过程中的交易风险信息,例如是否申请拒付。由于不同用户的历史交易情况不同,不同客群区间的风险程度也有所不同。
需要说明的是,每个客群区间中含有的用户数量可能相同,也可能有所差别,可根据实际需求进行客群区间的划分。但每个客群区间中的用户数量也不能太小,例如不能小于预设的数量阈值,以保证根据每个客群区间中用户的历史交易信息能够较为准确地表征该客群区间的交易风险。
步骤S170,根据多个客群区间之间的风险程度排序,以及待评估交易风险的用户所在客群区间的风险程度,确定待评估交易风险的用户的交易风险值。
在本实施例中,根据待评估交易风险的用户所在客群区间的风险程度,以及多个客群区间之间的风险程度排序来确定该用户的交易风险值,是为了通过客群的整体交易风险情况来评价该用户的交易风险,基于客群整体交易风险的考虑,以提升最终得到的交易风险值的准确性。
例如,可获取待评估交易风险的用户所在客群区间的风险程度在风险程度排序中的排名,以根据所得排名计算待评估交易风险的用户的交易风险值。对于不同排名,可以存在不同的交易风险值计算方式,以凸显客群的整体交易风险情况对于用户交易风险的影响。详细的交易风险值获取过程请参见后续实施例记载的内容,本处不在此进行赘述。
因此在本实施例提出的方法中,根据用户所属的客群来对用户的交易风险进行评估,并且评估过程中引入了风险确定性模型和不确定性新增模型,使得针对待评估交易风险的用户所得到的交易风险值是通过进行客群风险差异化识别得到的,这种客群风险差异化识别方式也十分适用于目前的***交易风险情况,例如上述外卡交易业务场景中存在的交易增长等情况,且能够根据实际的交易风险环境进行相应调整,因此采用本实施例提出的方法所获得的用户交易风险值具有极高的准确度。
评估得到用户的交易风险值后,即可根据所得到的交易风险值对用户进行相应风险应对处理。示例性的,若用户的交易风险值超过了预设的风险预置,则表示用户具有很高的交易风险,通过限制该用户的最高消费金额或者消费次数,则可以在很大程度上降低用户拒付导致的收单机构亏损情况。具体的风险应对处理方式可根据实际应用场景进行确定,本实施例不对此进行限制。
图4是图1所示实施例中的步骤S150在一个实施例中的流程图。如图4 所示,步骤S150记载的根据客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间的过程包括步骤S151至步骤S153,详细介绍如下:
步骤S151,由客群中所有用户的第一风险分值和第二风险分值形成二维平面。
本实施例使用二维评分体系对用户的交易风险进行评估,以实现用户交易风险的准确性。该二维评分体系依赖于风险确定性模型以及不确定性新增模型输出的风险分值作为两个评分维度,因此需要根据待评估交易风险的用户所属客群中所有用户的第一风险分值和第二风险分值形成二维平面,然后基于所形成的二维平面进行二维评分计算,以得到待评估交易风险的用户的交易风险值。
可分别对客群中所有用户的第一风险分值和第二风险分值进行由大到小的排序,得到第一风险分值序列和第二风险分值序列,然后将第一风险分值序列和第二风险分值序列作为二维平面的不同维度,由此构建得到该二维平面。其中,二维平面的维度包括横向维度和纵向维度,也可理解为包括X轴维度和Y轴维度。
所形成的二维平面通过两个维度的风险分值与客群中的用户相关联,可通过客群中任一用户的第一风险分值及第二风险分值在二维平面中映射至该用户,因此可以理解的,客群中所有的用户按照各自对应的第一风险分值和第二风险分值在该二维平面中分布。
步骤S153,在二维平面中进行网格交叉处理,获得二维平面中具有不同风险程度的网格区域,具有不同风险程度的网格区域对应于具有不同风险程度的客群区间。
本实施例在二维平面中进行网格交叉处理,是为了对二维平面所关联客群中的用户进行风险区域划分。进行网格交叉处理得到的每个网格区域中包含有多个用户,因此这些网格区域对应为不同的客群区间,网格区域中含有的用户也即是相应客群区间中的用户。由于每个用户的交易风险情况不一致,因此每个网格区域应具有不同的风险程度,也即每个客群区间具有不同的风险程度。
示例性的,在二维平面中进行网格交叉处理,获得二维平面中具有不同风险程度的网格区域的过程包括如下步骤:
根据二维平面对应的第一风险分值序列和第二风险分值序列,将二维平面划分为多个网格区域;根据网格区域中包含的多个用户的历史交易信息,计算网格区域的风险程度。
针对网格区域的划分,在一些实施例中,可将第一风险分值序列和第二风险分值序列划分为数量相同的多个风险区间,将风险区间之间形成的各个区间交集作为二维平面中的网格区域。本实施例对于第一风险分值序列以及第二风险分值序列对应的风险区间划分的具体方式不作限制,例如各个风险区间包含有平均用户数量对应的第一风险分值或第二风险分值,各个风险区间也可以对应于平均的第一风险分值区间或第二风险分值区间,在实际应用中可根据实际需求进行确定。
在另一些实施例中,考虑到根据上述实施例得到的网格区域中可能含有较少数量的用户,根据较少数量的用户的历史交易信息得到的风险程度的显著性不高,影响客群的整体交易风险情况,因此在将第一风险分值序列和第二风险分值序列划分为数量相同的多个风险区间的步骤之后,还根据风险区间之间的区间交集内的用户数量,将用户数量小于或等于数量阈值的区间交集与相邻区间交集进行合并,以使合并得到的区间交集中含有的用户数量大于数量阈值。区间交集合并完成后,二维平面中含有的区间交集即作为二维平面中的网格区域。
具体可针对用户数量小于或等于数量阈值的区间交集在二维平面中搜索相邻区间交集,若搜索到风险程度与用户数量小于或等于数量阈值的区间交集的风险程度最接近的相邻区间交集,则将用户数量小于或等于数量阈值的区间交集与搜索到的相邻区间交集进行合并。若搜索到风险程度最接近的相邻区间交集的数量为多个,则从搜索到的相邻区间交集中选取区间面积最小的相邻区间交集与所述用户数量小于或等于数量阈值的区间交集进行合并。若区间面积最小的相邻区间交集的数量也为多个,则随机选择一个方向上的相邻区间交集进行合并。
需要说明的是,相邻区间交集包括二维平面中位于用户数量小于数量阈值的区间交集的上、下、左、右方位的区间交集。以上区间交集合并方式使得合并得到的区间交集的风险程度相比于合并前不会发生很大变化,以尽可能减少对于客群的整体交易风险情况的影响,也能够在一定程度上提升最终得到的交易风险值的准确性。
针对网格区域的风险程度的计算,通过获取网格区域内含有的所有用户的历史交易信息,该历史交易信息用于指示用户在历史交易过程中是否存在交易风险,例如根据用户的历史交易信息可以确定用户是否在历史交易过程中发起***拒付申请,并计算在历史交易中存在交易风险的用户数量与该网格区域中含有的所有用户数量之间的比值,即可将该比值作为网格区域的风险程度。
由于网格区域的风险程度是根据该网格区域内所有用户在历史交易过程中真实发生的风险信息计算得到的,其能够准确表征该网格区域所对应客群区间的交易风险程度。
为便于理解以上将待评估交易风险的用户所属客群划分为具有不同风险程序的客群区间的过程,下面以一个具体示例来对此过程进行详细描述:
假设待评估交易风险的用户所属客群中包含有1000个用户,也即含有1000 个用户账户,风险确定性模型和不确定性新增模型都针对每个用户输出第一风险分值和第二风险分值。其中有100个用户在历史交易过程中发起过拒付申请,因此交易风险包括拒付风险。
将风险确定性模型针对所有用户输出的第一风险分值从低到高排序,得到第一风险分值序列;并分别以每20个用户为一个风险区间,得到风险区间X1, X2,……,X50;通过获取每个风险区间对应的第一风险分值最大值和第一风险分值最小值,可以将各个风险区间表示为[0,aa1),[aa1,aa2), [aa2,aa3),……,[aa49,1)。对于不确定性模型针对所有用户输出的第二风险分值也作同样处理,得到风险区间Y1,Y2,......,Y50,使用第二风险分值进行表示得到[0,bb1),[bb1,bb2),[bb2,bb3),......,[bb49,1)。
根据风险区间之间的区间交集内的用户情况,得到如下信息:
{[0,aa1),[0,bb1),(拒付用户数量,非拒付用户数量)}
{[aa1,aa2),[bb1,bb2),(拒付用户数量,非拒付用户数量)}
……
假设某区间交集内,拒付用户数量+正常用户数量≤5,则根据上述区间交集合并策略将该区间交集与相邻区间交集进行合并,区间交集的风险程度通过该区间交集内的用户拒付率进行表征,用户拒付率为区间交集内的拒付用户数量与所有用户数量之间的比值。
风险区间 | … | [bb15,bb16) | [bb16,bb17) | [bb17,bb18) | … |
… | |||||
[aa18,aa19) | (1,5) | (2,5) | (3,3) | ||
[aa19,aa20) | (2,5) | (2,2) | (4,3) | ||
[aa20,aa21) | (3,3) | (2,5) | (4,2) | ||
… |
表1
若将所有的区间交集情况表示为上表1所示,表格交集处表示区间交集内的拒付用户数量和非拒付用户数量,可以看出区间交集 {[aa19,aa20),[bb16,bb17)}中含有的用户数量小于5,且用户拒付率与相邻区间交集{[aa19,aa20),[bb17,bb18)}最接近,则将二者区间交集进行合并。
针对用户数量小于预设的数量阈值5的所有区间交集完成合并后,即可将各个区间交集作为二维平面中的网格区域,也即作为具有不同风险程度的客群区间。
由上可以看出,在本实施例提出的二维评分体系中,采用了网格搜索的策略将客群划分为具有不同风险程度的客群区间。该二维评分体系还包括二维评分计算的过程,以得到待评估交易风险的用户的交易风险值,详细的二维评分计算过程请参见图5对应的实施例。
如图5所示,图1所示实施例中的步骤S170记载的根据多个客群区间之间的风险程度排序,以及待评估交易风险的用户所在客群区间的风险程度,确定待评估交易风险的用户的交易风险值的过程至少包括步骤S171至步骤S173,详细介绍如下:
步骤S171,获取待评估交易风险的用户所在客群区间的风险程度在风险程度排序中的排名。
通过对多个客群区间之间的风险程度进行排序,即可获取得到待评估交易风险的用户所在客群区间的风险程度在风险程度排序中的排名。
步骤S173,根据排名计算待评估交易风险的用户的交易风险值。
若确定待评估交易风险的用户对应的排名为最低排名,则根据待评估交易风险的用户对应的第一风险分值和第二风险分值、以及待评估交易风险的用户所在客群区间的风险程度计算交易风险值。
若确定待评估交易风险的用户对应的排名高于最低排名,则根据待评估交易风险的用户对应的第一风险分值和第二风险分值、待评估交易风险的用户所在客群区间的风险程度、以及排名低于待评估交易风险的用户所对应排名的客群区间的风险程度计算交易风险值。
举例来说,假设多个客群区间之间按照风险程度进行排序可以得到形如 r1<r2<r3<……的排序情况,其中r1表示最低排名的客群区间的风险程度,如果将待评估交易风险的用户对应的第一风险分值和第二风险分值分别表示为x1和 y1。
当待评估交易风险的用户对应的排名为最低排名时,待评估交易风险的用户的交易风险值为(x1 2+y1 2)*r1,以保证该用户的交易风险值的取值范围为 (0,r1);当该用户对应的排名高于最低排名时,例如为rk(k≥2),待评估交易风险的用户的交易风险值则为(x1 2+y1 2)*(rk-rk-1)+rk-1。
由上可以看出,本申请按照待评估交易风险的用户所在客群区间的风险程度在风险程度排序中的排名来计算待评估交易风险的用户的交易风险值,赋予属于高风险区域内的用户的交易风险值高于属于低风险区域的用户的交易风险值,符合实际的风险业务场景,使得所得到的交易风险值具有很高的准确度。
在另一示例性的实施例中,还根据待评估交易风险的用户所属客群中所有用户的第一风险分值和第二风险分值,多次获取具有不同风险程度的客群区间。其中,每次获取得到的客群区间根据随机风险区间划分策略生成,通过执行该策略,可使得每次划分得到的客群区间具有随机性。
根据多次获得得到的具有不同风险程度的客群区间,可相应多次获取待评估风险的用户的交易风险值。详细的获取过程请参见前述实施例,本处不再进行赘述。
从多次获取到的交易风险值中选取目标交易风险值,即可作为待评估交易用户的交易风险值。需要说明的是,本实施例不对选取目标交易风险值的具体方式进行限制,可根据实际的应用需求选取相对合理且风险区分能力强的交易风险值为目标交易风险值,以进一步提升最终获得的交易风险值的准确性。在交易风险值具有很大准确性的条件下,也能够保证后续针对用户进行的风险应对处理具有较好的效果。
为了验证本申请提出的交易风险评估方案的显著效果,本申请的发明人采用如图6示例的客群数据进行了对比实验,详细过程如下:
根据本申请提出的交易风险评估方案对图6所示的客群数据进行处理,可以得到下表2所示的区间交集情况,若用户在历史交易过程中发起过拒付申请,则使用“1”标识,反之使用“0”标识。下表2中示出的表格交集处表示该区间交易所表征客群区间内的拒付用户数量和非拒付用户数量。
风险区间 | [0.01,0.103] | (0.103,0.185] | (0.185,0.34] | (0.34,0.77] |
[0.03,0.0775] | (0,5) | |||
(0.0775,0.175] | (1,2) | (2,0) | ||
(0.175,0.31] | (0,2) | (0,3) | ||
(0.31,0.8] | (3,2) |
表2
根据本申请提出的交易风险评估方案,可由上表2所示的区间交集信息得到如图7所示的客群中所有用户的交易风险值分布情况。图7中示出的第一风险区间是指针对所有用户的第一风险分值构成的第一封风险分值序列进行划分得到的,第二风险区间是指针对所有用户的第二风险分值构成的第二封风险分值序列进行划分得到的。图7中示出的风险程度是指区间交集内的用户拒付率。
根据图7可得到一组按照用户拒付率作为风险程度进行由小到大排序的客群区间序列:{[0.03,0.0775],[0.01,0.103]}={(0.0175,0.31],(0.103,0.185]}= {(0.175,0.31],(0.185,0.34]}<{(0.0775,0.175],(0.103,0.185]}<{(0.31,0.8], (0.34,0.77]}<{(0.0775,0.175],(0.185,0.34]},风险程度排序为0<0.333<0.6<1。
采用KS(Kolmogorov-Smirnov,是一种用于衡量模型对正负样本的区分度的校验方式,值越大,说明模型效果越好)评估可以得到本申请提出的交易风险评估方案、仅使用风险确定性模型来评估用户的交易风险的方案、仅使用不确定性新增模型来评估用户的交易风险的方案分别对应的KS值如下表3所示:
本申请 | 风险确定性模型 | 不确定性新增模型 | |
KS值 | 78.60% | 42.90% | 50.00% |
表3
需要说明的是,还可以采用其它方式来评估以上三种交易风险值评估方案的效果,流入GINI评估方式等,本处不对此进行限制。
由上可以看出,本申请提出的交易风险评估方案具有非常高的KS值,能够表明本申请提出的交易风险评估方案对于用户交易风险值的评估具有非常显著的效果。
还需要说明的是,本申请提出的交易风险评估方案可以部署至任意的终端或者服务器中,以针对用户的交易风险值进行评估,具体的部署情况可根据实际应用情况进行确定。
本处所指的终端可以是智能手机、平板、笔记本电脑、计算机等任意能够运行视频播放客户端的电子设备。本处所指的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,其中多个服务器可组成一区块链,而服务器为区块链上的节点;服务器还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
图8是本申请的一示例性实施例示出的交易风险评估装置的框图。如图8 所示,该装置包括:
客群获取模块210,配置为获取待评估交易风险的用户所属的客群,待评估交易风险的用户包含于客群中;风险分值获取模块230,配置为获取风险确定性模型针对客群中的各个用户输出的第一风险分值,风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对各个用户输出的第二风险分值,不确定性新增模型是根据非确定性维度的风险特征构建的;客群区间获取模块250,配置为根据客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,客群区间的风险程度根据客群区间中的多个用户的历史交易信息确定;交易风险获取模块270,配置为根据多个客群区间之间的风险程度排序,以及待评估交易风险的用户所在客群区间的风险程度,确定待评估交易风险的用户的交易风险值。
在另一示例性实施例中,客群区间获取模块250包括:
二维平面形成单元,配置为由客群中所有用户的第一风险分值和第二风险分值形成二维平面;网格区域获取单元,配置为在二维平面中进行网格交叉处理,获得二维平面中具有不同风险程度的网格区域,具有不同风险程度的网格区域对应于具有不同风险程度的客群区间。
在另一示例性实施例中,二维平面形成单元包括:
风险分值排序子单元,配置为分别对客群中所有用户的第一风险分值和第二风险分值进行由小到大的排序,得到第一风险分值序列和第二风险分值序列;二维平面构建子单元,配置为将第一风险分值序列和第二风险分值序列作为二维平面的不同维度,构建二维平面。
在另一示例性实施例中,网格区域获取单元包括:
网格区域划分子单元,配置为根据二维平面对应的第一风险分值序列和第二风险分值序列,将二维平面划分为多个网格区域;风险程度计算子单元,配置为根据网格区域中包含的多个用户的历史交易信息,计算网格区域的风险程度。
在另一示例性实施例中,网格区域划分子单元包括:
风险区间划分子单元,配置为将第一风险分值序列和第二风险分值序列划分为数量相同的多个风险区间;区间交集合并子单元,配置为根据风险区间之间的区间交集内的用户数量,将用户数量小于或等于数量阈值的区间交集与相邻区间交集进行合并,以使合并得到的区间交集中含有的用户数量大于数量阈值;网格区域获得子单元,配置为将二维平面中形成的区间交集作为二维平面中的网格区域。
在另一示例性实施例中,区间交集合并子单元包括:
向量区间交集搜索子单元,配置为针对用户数量小于数量阈值的区间交集搜索相邻区间交集;第一合并子单元,配置为若搜索到风险程度与用户数量小于数量阈值的区间交集的风险程度最接近的相邻区间交集,则将用户数量小于数量阈值的区间交集与搜索到的相邻区间交集进行合并;第二合并子单元,配置为若搜索到的相邻区间交集的数量为多个,则从搜索到的相邻区间交集中选取区间面积最小的相邻区间交集与用户数量小于数量阈值的区间交集进行合并。
在另一示例性实施例中,风险程度计算子单元包括:
历史交易信息获取子单元,配置为获取网格区域内含有的所有用户的历史交易信息,历史交易信息用于指示用户在历史交易中是否存在交易风险;风西程度获取子单元,配置为计算在历史交易中存在交易风险的用户数量与网格区域内含有的所有用户数量之间的比值,将比值作为网格区域的风险程度。
在另一示例性实施例中,交易风险获取模块270包括:
排名获取单元,配置为获取待评估交易风险的用户所在客群区间的风险程度在风险程度排序中的排名;交易风险值计算单元,配置为根据排名计算待评估交易风险的用户的交易风险值。
在另一示例性实施例中,交易风险值计算单元包括:
第一计算子单元,配置为若确定待评估交易风险的用户对应的排名为最低排名,则根据待评估交易风险的用入户对应的第一风险分值和第二风险分值、以及待评估交易风险的用户所在客群区间的风险程度计算交易风险值;第二计算子单元,配置为若确定待评估交易风险的用户对应的排名高于最低排名,则根据待评估交易风险的用户对应的第一风险分值和第二风险分值、待评估交易风险的用户所在客群区间的风险程度、以及排名低于待评估交易风险的用户所对应排名的客群区间的风险程度计算交易风险值。
在另一示例性实施例中,该装置还包括:
客群区间多次生成模块,配置为根据客群中所有用户的第一风险分值和第二风险分值,多次获取具有不同风险程度的客群区间,每次获取得到的客群区间根据随机风险区间划分策略生成;交易风险值多次计算模块,配置为根据多次获取到的具有不同风险程度的客群区间,多次获取待评估交易风险的用户的交易风险值;交易风险值选取模块,配置为从多次获取到的交易风险值中选取目标交易风险值作为待评估交易用户的交易风险值。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
本申请的实施例还提供了一种电子设备,包括处理器和存储器,其中,存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时实现如前所述的交易风险评估方法。
图9出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是,图9示出的电子设备的计算机***1600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机***1600包括中央处理单元(Central Processing Unit,CPU)1601,其可以根据存储在只读存储器(Read-Only Memory,ROM)1602 中的程序或者从储存部分1608加载到随机访问存储器(Random Access Memory,RAM)1603中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1603中,还存储有***操作所需的各种程序和数据。CPU 1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/ 输出(Input/Output,I/O)接口1605也连接至总线1604。
以下部件连接至I/O接口1605:包括键盘、鼠标等的输入部分1606;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display, LCD)等以及扬声器等的输出部分1607;包括硬盘等的储存部分1608;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器 1610也根据需要连接至I/O接口1605。可拆卸介质1611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1610上,以便于从其上读出的计算机程序根据需要被安装入储存部分1608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分 1609从网络上被下载和安装,和/或从可拆卸介质1611被安装。在该计算机程序被中央处理单元(CPU)1601执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的交易风险评估方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的交易风险评估方法。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (15)
1.一种交易风险评估方法,其特征在于,包括:
获取待评估交易风险的用户所属的客群,所述待评估交易风险的用户包含于所述客群中;
获取风险确定性模型针对所述客群中的各个用户输出的第一风险分值,所述风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对所述各个用户输出的第二风险分值,所述不确定性新增模型是根据非确定性维度的风险特征构建的;
根据所述客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,所述客群区间的风险程度根据所述客群区间中的多个用户的历史交易信息确定;
根据所述多个客群区间之间的风险程度排序,以及所述待评估交易风险的用户所在客群区间的风险程度,确定所述待评估交易风险的用户的交易风险值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,包括:
由所述客群中所有用户的第一风险分值和第二风险分值形成二维平面;
在所述二维平面中进行网格交叉处理,获得所述二维平面中具有不同风险程度的网格区域,所述具有不同风险程度的网格区域对应于所述具有不同风险程度的客群区间。
3.根据权利要求2所述的方法,其特征在于,所述由所述客群中所有用户的第一风险分值和第二风险分值形成二维平面,包括:
分别对所述客群中所有用户的第一风险分值和第二风险分值进行由小到大的排序,得到第一风险分值序列和第二风险分值序列;
将所述第一风险分值序列和所述第二风险分值序列作为所述二维平面的不同维度,构建所述二维平面。
4.根据权利要求2所述的方法,其特征在于,所述在所述二维平面中进行网格交叉处理,获得所述二维平面中具有不同风险程度的网格区域,包括:
根据所述二维平面对应的第一风险分值序列和第二风险分值序列,将所述二维平面划分为多个网格区域;
根据所述网格区域中包含的多个用户的历史交易信息,计算所述网格区域的风险程度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述二维平面对应的第一风险分值序列和第二风险分值序列,将所述二维平面划分为多个网格区域,包括:
将所述第一风险分值序列和所述第二风险分值序列划分为数量相同的多个风险区间;
根据所述风险区间之间的区间交集内的用户数量,将用户数量小于或等于数量阈值的区间交集与相邻区间交集进行合并,以使合并得到的区间交集中含有的用户数量大于所述数量阈值;
将所述二维平面中形成的区间交集作为所述二维平面中的网格区域。
6.根据权利要求5所述的方法,其特征在于,所述将用户数量小于数量阈值的区间交集与相邻区间交集进行合并,包括:
针对所述用户数量小于数量阈值的区间交集搜索相邻区间交集;
若搜索到风险程度与所述用户数量小于数量阈值的区间交集的风险程度最接近的相邻区间交集,则将所述用户数量小于数量阈值的区间交集与搜索到的相邻区间交集进行合并。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若搜索到的相邻区间交集的数量为多个,则从所述搜索到的相邻区间交集中选取区间面积最小的相邻区间交集与所述用户数量小于数量阈值的区间交集进行合并。
8.根据权利要求4所述的方法,其特征在于,所述根据所述网格区域中包含的多个用户的历史交易信息,计算所述网格区域的风险程度,包括:
获取所述网格区域内含有的所有用户的历史交易信息,所述历史交易信息用于指示用户在历史交易中是否存在交易风险;
计算在历史交易中存在交易风险的用户数量与所述网格区域内含有的所有用户数量之间的比值,将所述比值作为所述网格区域的风险程度。
9.根据权利要求1所述的方法,其特征在于,所述根据所述多个客群区间之间的风险程度排序,以及所述待评估交易风险的用户所在客群区间的风险程度,确定所述待评估交易风险的用户的交易风险值,包括:
获取所述待评估交易风险的用户所在客群区间的风险程度在所述风险程度排序中的排名;
根据所述排名计算所述待评估交易风险的用户的交易风险值。
10.根据权利要求9所述的方法,其特征在于,所述根据所述排名计算所述待评估交易风险的用户的交易风险值,包括:
若确定所述待评估交易风险的用户对应的排名为最低排名,则根据所述待评估交易风险的用入户对应的第一风险分值和第二风险分值、以及所述待评估交易风险的用户所在客群区间的风险程度计算交易风险值。
11.根据权利要求9所述的方法,其特征在于,所述根据所述排名计算所述待评估交易风险的用户的交易风险值,包括:
若确定所述待评估交易风险的用户对应的排名高于最低排名,则根据所述待评估交易风险的用户对应的第一风险分值和第二风险分值、所述待评估交易风险的用户所在客群区间的风险程度、以及排名低于所述待评估交易风险的用户所对应排名的客群区间的风险程度计算交易风险值。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述客群中所有用户的第一风险分值和第二风险分值,多次获取具有不同风险程度的客群区间,每次获取得到的客群区间根据随机风险区间划分策略生成;
根据多次获取到的具有不同风险程度的客群区间,多次获取所述待评估交易风险的用户的交易风险值;
从多次获取到的交易风险值中选取目标交易风险值作为所述待评估交易用户的交易风险值。
13.一种交易风险评估装置,其特征在于,包括:
客群获取模块,配置为获取待评估交易风险的用户所属的客群,所述待评估交易风险的用户包含于所述客群中;
风险分值获取模块,配置为获取风险确定性模型针对所述客群中的各个用户输出的第一风险分值,所述风险确定性模型是根据确定性维度的风险特征构建的,以及获取不确定性新增模型针对所述各个用户输出的第二风险分值,所述不确定性新增模型是根据非确定性维度的风险特征构建的;
客群区间获取模块,配置为根据所述客群中所有用户的第一风险分值和第二风险分值,获取具有不同风险程度的客群区间,所述客群区间的风险程度根据所述客群区间中的多个用户的历史交易信息确定;
交易风险获取模块,配置为根据所述多个客群区间之间的风险程度排序,以及所述待评估交易风险的用户所在客群区间的风险程度,确定所述待评估交易风险的用户的交易风险值。
14.一种电子设备,其特征在于,包括:
存储器,存储有计算机可读指令;
处理器,读取存储器存储的计算机可读指令,以执行权利要求1-12中的任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-12中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110257007.1A CN115034788A (zh) | 2021-03-08 | 2021-03-08 | 交易风险评估方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110257007.1A CN115034788A (zh) | 2021-03-08 | 2021-03-08 | 交易风险评估方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034788A true CN115034788A (zh) | 2022-09-09 |
Family
ID=83117753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110257007.1A Pending CN115034788A (zh) | 2021-03-08 | 2021-03-08 | 交易风险评估方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829755A (zh) * | 2023-02-07 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 交易风险的预测结果的解释方法和装置 |
-
2021
- 2021-03-08 CN CN202110257007.1A patent/CN115034788A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829755A (zh) * | 2023-02-07 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 交易风险的预测结果的解释方法和装置 |
CN115829755B (zh) * | 2023-02-07 | 2023-05-26 | 支付宝(杭州)信息技术有限公司 | 交易风险的预测结果的解释方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709800B (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
US8838499B2 (en) | Methods and systems for life stage modeling | |
WO2018145586A1 (zh) | 信用评分方法及服务器 | |
CN110738558B (zh) | 信息修复方法、装置、电子设备及计算机可读介质 | |
CN111090780A (zh) | 可疑交易信息的确定方法及装置、存储介质、电子设备 | |
CN109325845A (zh) | 一种金融产品智能推荐方法及*** | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
CN113902473A (zh) | 业务预测***的训练方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN112184334A (zh) | 用于确定问题用户的方法、装置、设备和介质 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN109165947B (zh) | 账户信息确定方法、装置及服务器 | |
CN115034788A (zh) | 交易风险评估方法及装置、电子设备、存储介质 | |
CN113487109A (zh) | 群体识别方法、装置、电子设备及存储介质 | |
AU2018306317A1 (en) | System and method for detecting and responding to transaction patterns | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
US20160379327A1 (en) | Method of facilitating natural disaster relief planning | |
CN111476371A (zh) | 对服务方面临的特定风险进行评估的方法及装置 | |
CN111260372A (zh) | 资源转移用户群确定方法、装置、计算机设备和存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
JP2004334737A (ja) | 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 | |
US20230325840A1 (en) | Transaction-risk evaluation by resource-limited devices | |
CN115760196A (zh) | 针对长尾用户的活动推荐方法、装置、终端及程序产品 | |
CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40074009 Country of ref document: HK |