TWI707287B - 簽約風險量化方法、代扣風險量化方法、裝置及設備 - Google Patents

簽約風險量化方法、代扣風險量化方法、裝置及設備 Download PDF

Info

Publication number
TWI707287B
TWI707287B TW108121258A TW108121258A TWI707287B TW I707287 B TWI707287 B TW I707287B TW 108121258 A TW108121258 A TW 108121258A TW 108121258 A TW108121258 A TW 108121258A TW I707287 B TWI707287 B TW I707287B
Authority
TW
Taiwan
Prior art keywords
information
payment account
characteristic value
comparison result
value
Prior art date
Application number
TW108121258A
Other languages
English (en)
Other versions
TW202013277A (zh
Inventor
商瑾
孫傳亮
Original Assignee
香港商阿里巴巴集團服務有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW202013277A publication Critical patent/TW202013277A/zh
Application granted granted Critical
Publication of TWI707287B publication Critical patent/TWI707287B/zh

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
    • G06Q20/08—Payment architectures
    • G06Q20/085—Payment architectures involving remote charge determination or related payment systems
    • G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
    • 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
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本說明書公開了一種簽約風險量化方法、代扣風險量化方法、裝置及設備。該方法包括：獲取支付帳戶簽約前歷史資訊和/或簽約當下資訊；提取支付帳戶簽約前歷史資訊的特徵值和/或簽約當下資訊的特徵值；根據提取的特徵值及對應的權重，得到簽約風險量化分。獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者；將支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者；提取比較結果中的至少一者的特徵值；根據提取的特徵值及其對應的權重，得到代扣風險量化分。

Description

簽約風險量化方法、代扣風險量化方法、裝置及設備
本說明書係關於風險控制技術領域，尤其是關於一種簽約風險量化方法、代扣風險量化方法、裝置及設備。
簽約代扣業務發展迅速，先後衍生出週期性簽約代扣、浸入式簽約代扣、小額免密簽約代扣和先享後付簽約代扣。支付寶在2017年簽約的商戶激增98%，交易額上漲了117%，市場接受度良好，隨著簽約代扣業務的整體發展，簽約代扣業務的風險防控愈加重要。 整個簽約代扣的主要流程，分為簽約和下單代扣。一旦簽約成功，在下單代扣環節，用戶不需要再校驗支付密等資訊，風險量化的重點，就要前置到簽約環節。對於代扣環節，也萬不能放鬆警惕。 目前行業內對於簽約代扣類業務的風控較為空白，並沒有系統的解決方案。但凡資訊核對成功，就會簽約成功。客戶姓名、卡號等資訊在灰色產業鏈中流通甚廣，非常容易被壞人利用起來，走簽約代扣進行銷贓。
本說明書實施例提供一種簽約風險量化方法、代扣風險量化方法、裝置及設備。解決了現有簽約代扣環節沒有系統的風險控制解決方案問題。 為解決上述技術問題，本說明書實施例是這樣實現的： 本說明書實施例提供的一種簽約風險量化方法，該方法包括： 獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊； 提取所述支付帳戶簽約前歷史資訊的特徵值和/或所述支付帳戶簽約當下資訊的特徵值； 根據所述支付帳戶簽約前歷史資訊的特徵值及所述支付帳戶簽約前歷史資訊的權重和/或所述支付帳戶簽約當下資訊的特徵值及所述支付帳戶簽約當下資訊的權重，得到簽約風險量化分。 本說明書實施例提供的一種代扣風險量化方法，該方法包括： 獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者； 將所述支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與所述商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者； 提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值； 根據所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分。 本說明書實施例提供的一種簽約風險量化裝置，該裝置包括：獲取模組、提取模組和獲得模組； 所述獲取模組，用於獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊； 所述提取模組，用於提取所述支付帳戶簽約前歷史資訊的特徵值和/或所述支付帳戶簽約當下資訊的特徵值； 所述獲得模組，用於根據所述支付帳戶簽約前歷史資訊的特徵值及所述支付帳戶簽約前歷史資訊的權重和/或所述支付帳戶簽約當下資訊的特徵值及所述支付帳戶簽約當下資訊的權重，得到簽約風險量化分。 本說明書實施例提供的一種代扣風險量化裝置，該裝置包括：獲取模組，比較模組，提取模組和獲得模組； 所述獲取模組，用於獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者； 所述比較模組，用於將所述支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與所述商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者； 所述提取模組，用於提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值； 所述獲得模組，用於根據所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分。 本說明書實施例提供的一種簽約風險量化設備，包括：記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述處理器執行上述的簽約風險量化方法。 本說明書實施例提供的一種代扣風險量化設備，包括：記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述處理器執行上述的代扣風險量化方法。 本說明書實施例採用的上述至少一個技術方案能夠達到以下有益效果：搭建起完整的風控框架；弱化人的經驗，不依靠專家的經驗來進行風險識別；得出簽約和代扣的量化分的同時，還給出了用戶的簽約畫像；將支付機構和商戶的雙重資訊進行比對，發揮協同作用，產生更多的資料價值。
本說明書實施例提供一種簽約風險量化方法、代扣風險量化方法、裝置以及設備。 為了使本技術領域的人員更好地理解本說明書中的技術方案，下面將結合本說明書實施例中的圖式，對本說明書實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基於本說明書實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本申請保護的範圍。 圖1為本說明書實施例提供的一種簽約風險量化方法的流程示意圖，該流程示意圖包括： 步驟105，獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊； 在本說明書實施例中，該步驟的執行主體可以為如手機、平板電腦、PC等終端設備，也可以為伺服器端。 在本說明書實施例中，支付帳戶簽約前歷史資訊包括支付帳戶歷史簽約習慣、支付帳戶簽約前操作、支付帳戶簽約前衝突和支付帳戶簽約前身份中的至少一者；支付帳戶簽約當下資訊包括支付帳戶簽約時間段資訊、支付帳戶簽約管道資訊、支付帳戶簽約設備資訊和支付帳戶簽約環境資訊中的至少一者。在實際應用中，支付帳戶簽約前歷史資訊和支付帳戶簽約當下資訊並不限於上述資訊。其中，簽約管道資訊包括短信認證、指紋認證和人臉認證中的至少一者；簽約設備資訊包括設備作業系統和/或設備型號；簽約環境資訊包括IP環境和/或LBS環境。 進一步地，在本說明書實施例中，支付帳戶歷史簽約習慣包括支付帳戶進行簽約代扣消費的偏好度和/或支付帳戶在同商戶帳戶下有無簽約代扣歷史及歷史行為表現；支付帳戶簽約前操作包括支付帳戶在特定時間段內的換綁手機次數、支付帳戶在特定時間段內的修改密碼次數和支付帳戶在特定時間段內的刪除記錄次數中的至少一者；支付帳戶簽約前衝突包括支付帳戶在特定時間段內的IP跳轉表現和支付帳戶在特定時間段內的設備跳轉表現 ；支付帳戶簽約前身份包括支付帳戶是否在簽約高危險名單和/或支付帳戶是否是容易被盜人群 。具體而言，在本說明書實施例中，上述特定時間段包括但不限於00：00-07:00和簽約前3分鐘至簽約時。 步驟110，提取所述支付帳戶簽約前歷史資訊特徵值和/或所述支付帳戶簽約當下資訊特徵值； 在本說明書實施例中，利用WOE模型提取支付帳戶簽約前歷史資訊特徵值和/或支付帳戶簽約當下資訊特徵值。在實際應用中，提取到的支付帳戶進行簽約代扣消費的偏好度特徵值為6，支付帳戶在同商戶帳戶下有簽約代扣歷史及歷史行為表現5，支付帳戶在01：00-03:00時間段內的換綁手機4次特徵值為3，支付帳戶在簽約前的3分鐘內換綁手機1次特徵值為1，支付帳戶在01：00-03:00時間段內修改密碼4次特徵值為2，支付帳戶在簽約前的3分鐘內修改密碼1次特徵值為1，支付帳戶在01：00-03:00時間段內的刪除記錄4次數特徵值為5，支付帳戶在01：00-03:00時間段內的IP跳轉2次特徵值為2，支付帳戶在01：00-03:00時間段內的設備跳轉2次特徵值為2，支付帳戶在簽約高危險名單特徵值為3，支付帳戶是容易被盜人群特徵值為3，支付帳戶簽約時間為02:30特徵值為3，支付帳戶簽約管道為指紋認證特徵值為0，支付帳戶簽約設備手機為iPhone6特徵值為1，支付帳戶簽約環境LBS資訊為北京特徵值為1。 步驟115，根據所述支付帳戶簽約前歷史資訊的特徵值及所述支付帳戶簽約前歷史資訊的權重和/或所述支付帳戶簽約當下資訊的特徵值及所述支付帳戶簽約當下資訊的權重，得到簽約風險量化分。 在本說明書實施例中，將WOE模型提取的支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值；進一步地，利用WOE模型篩選出支付帳戶簽約前歷史資訊的特徵值中大於對應第一預設閾值的特徵值；和/或將WOE模型提取的支付帳戶簽約當下資訊與其對應的權重相乘並將相乘結果相加得到第二和值；進一步地，利用WOE模型篩選出支付帳戶簽約當下資訊的特徵值中大於對應第二預設閾值的特徵值； 在本說明書實施例中，支付帳戶進行簽約代扣消費的偏好度第一預設閾值為3，支付帳戶在同商戶帳戶下有簽約代扣歷史及歷史行為表現第一預設閾值為3，支付帳戶在特定時間段內換綁手機次數第一預設閾值為3，支付帳戶在特定時間段內修改密碼次數第一預設閾值為3，支付帳戶在特定時間段內刪除記錄次數第一閾值為3，支付帳戶在特定時間段內的IP跳轉次數第一預設閾值為1，支付帳戶在特定時間段內的設備跳轉次數第一預設閾值為2，支付帳戶在簽約高危險名單第一預設閾值為2，支付帳戶是容易被盜人群第一預設閾值為2。 在本說明書實施例中，篩選出簽約前歷史資訊的特徵值中大於對應第一預設閾值的支付帳戶歷史簽約習慣、支付帳戶簽約前高危險操作、支付帳戶簽約前高危險衝突和支付帳戶簽約前高危險身份。具體而言，篩選出的結果是：支付帳戶進行簽約代扣消費的偏好度特徵值為6，支付帳戶在同商戶帳戶下有簽約代扣歷史及歷史行為表現5，支付帳戶在01：00-03:00時間段內的換綁手機4次特徵值為4，支付帳戶在01：00-03:00時間段內的刪除記錄4次數特徵值為4，支付帳戶在01：00-03:00時間段內的IP跳轉2次特徵值為2，支付帳戶在簽約高危險名單特徵值為3，支付帳戶是容易被盜人群特徵值為3。 在本說明書實施例中，篩選出的支付帳戶進行簽約代扣消費的偏好度特徵值為6對應的權重是-5，支付帳戶在同商戶帳戶下有簽約代扣歷史及歷史行為表現5對應的權重是-3.2，支付帳戶在01：00-03:00時間段內的換綁手機4次特徵值為4對應的權重是2.6，支付帳戶在01：00-03:00時間段內的刪除記錄4次數特徵值為4對應的權重是2.4，支付帳戶在01：00-03:00時間段內的IP跳轉2次特徵值為2對應的權重是1.8，支付帳戶在簽約高危險名單特徵值為3對應的權重是3.3，支付帳戶是容易被盜人群特徵值為3對應的權重是4.3。將WOE模型篩選出的特徵值輸入到邏輯回歸模型中，與其對應的權重相乘並將相乘結果相加，得到第一和值為0.4。 在本說明書實施例中，支付帳戶簽約時間為02:30第二預設閾值為2，支付帳戶簽約管道為指紋認證第二預設閾值為1，支付帳戶簽約設備手機為iPhone6第二預設閾值為1，支付帳戶簽約環境LBS資訊為北京第二預設閾值為1。 在本說明書實施例中，篩選出簽約當下資訊的特徵值中大於對應第二預設閾值的支付帳戶簽約時間為02:30特徵值為3。 將WOE模型篩選出的特徵值輸入到邏輯回歸模型中，與其對應的權重相乘並將相乘結果相加，得到第二和值為0.3。 在本說明書實施例中，支付帳戶簽約時間為02:30特徵值為3對應的權重是0.1。 在本說明書實施例中，若步驟105獲取的是簽約前歷史資訊和簽約當下資訊，則在步驟115中，將第一和值0.4和第二和值0.3相加，得到簽約風險量化分為0.7。若步驟105獲取的是簽約前歷史資訊，則在步驟115中，得到簽約風險量化分為0.4。若步驟105獲取的是簽約當下資訊，則在步驟115中，得到簽約風險量化分為0.3。 更優選地，將得到的簽約風險量化分乘以100。若步驟105獲取的是簽約前歷史資訊和簽約當下資訊，則得到的簽約風險量化分為70；若步驟105獲取的是簽約前歷史資訊，則得到的簽約風險量化分為40；若步驟105獲取的是簽約當下資訊，則得到的簽約風險量化分為30。 圖2為本說明書實施例提供的一種代扣風險量化方法的流程示意圖，該流程示意圖包括： 步驟205，獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者； 在本說明書實施例中，該步驟的執行主體可以為如手機、平板電腦、PC等終端設備，也可以為伺服器端。 在本說明書實施例中，支付帳戶和商戶帳戶的設備資訊包括設備地理位置資訊和/或使用設備數量；環境資訊包括地理位置資訊和/或IP資訊；消費資訊包括訂單號、支付時間和支付方式中的至少一者。 步驟210，將所述支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與所述商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者； 在實際應用中，在過去7天與AppleStore和Alipay關聯的帳戶1、帳戶2和帳戶3使用設備數量情況如表1所示，帳戶1使用設備數差值為0，帳戶2使用設備數差值為3，帳戶3使用設備數差值為0。 代扣風險量化分以及代扣風險如表1所示。 表1
Figure 108121258-A0304-0001
 在實際應用中，在過去一個月與AppleStore和Alipay關聯的帳戶4、帳戶5和帳戶6分別出現過的LBS資訊如表2所示，帳戶4LBS信息差值為0，帳戶5LBS信息差值為4，帳戶6LBS信息差值為0。 表2
Figure 108121258-A0304-0002
 在實際應用中，在過去三個月與AppleStore和Alipay關聯的帳戶7和帳戶8分別消費遊戲產品的數量如表3所示，帳戶7消費遊戲產品的數量差值為0，帳戶8消費遊戲產品的數量差值為15。 表3
Figure 108121258-A0304-0003
 步驟215，提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值； 在本說明書實施例中，利用WOE模型提取表1中帳戶1使用設備數差值0的特徵值為6，帳戶2使用設備數差值3的特徵值為4，帳戶3使用設備數差值0的特徵值為6；利用WOE模型提取表2中帳戶4LBS資訊差值0的特徵值為4，帳戶5LBS信息差值4的特徵值為6，帳戶6LBS信息差值0的特徵值為4；利用WOE模型提取表3中帳戶7消費遊戲產品的數量差值0的特徵值為3，帳戶8消費遊戲產品的數量差值15的特徵值為8。 步驟220，根據所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分。 在本說明書實施例中，利用邏輯回歸模型將所述設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值；進一步地，利用WOE模型篩選出設備資訊比較結果的特徵值中大於對應第一閾值的特徵值；利用邏輯回歸模型將所述大於對應第一閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或利用邏輯回歸模型將所述環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值；進一步地，利用WOE模型篩選出環境資訊比較結果的特徵值中大於對應第二閾值的特徵值；利用邏輯回歸模型將所述大於對應第二閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值；和/或利用邏輯回歸模型將所述消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第三和值；進一步地，利用WOE模型篩選出消費資訊比較結果的特徵值中大於對應第三閾值的特徵值；利用邏輯回歸模型將所述大於對應第三閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第三和值。 在本說明書實施例中，表1中帳戶1使用設備數差值的第一閾值為1，帳戶2使用設備數差值的第一閾值2，帳戶3使用設備數差值的第一閾值為2；表2中帳戶4LBS資訊差值的第一閾值為2，帳戶5LBS資訊差值的第一閾值為3，帳戶6LBS資訊差值的第一閾值為2；表3中帳戶7消費遊戲產品的數量差值的第一閾值為3，帳戶8消費遊戲產品的數量差值的第一閾值為4。 在本說明書實施例中，利用WOE模型篩選出的資訊如下：帳戶1使用設備數差值0的特徵值為6，帳戶2使用設備數差值3的特徵值為4，帳戶3使用設備數差值0的特徵值為6；帳戶5LBS信息差值4的特徵值為6，帳戶6LBS信息差值0的特徵值為4；帳戶8消費遊戲產品的數量差值15的特徵值為8。 在本說明書實施例中，表1中帳戶1使用設備數差值0的特徵值為6對應的權重為-1.3，帳戶2使用設備數差值3的特徵值為4對應的權重為4.7，帳戶3使用設備數差值0的特徵值為6對應的權重為-1.8；表2中帳戶5LBS資訊差值4的特徵值為6對應的權重為1.6，帳戶6LBS資訊差值0的特徵值為4對應的權重為-2.3；帳戶8消費遊戲產品的數量差值15的特徵值為1對應的權重為0.2。 將WOE模型篩選出的特徵值輸入到邏輯回歸模型中，與其對應的權重相乘並將相乘結果相加，得到第一和值為0.2、第二和值為0.4和第三和值為0.2中的至少一者。若步驟205中同時獲取了支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊，則將第一和值、第二和值與第三和值相加，得到代扣風險量化分為0.8；若步驟205中同時獲取了支付帳戶和商戶帳戶的設備資訊和環境資訊，則將第一和值與第二和值相加，得到代扣風險量化分為0.6；若步驟205中同時獲取了支付帳戶和商戶帳戶的環境資訊和消費資訊，則將第二和值與第三和值相加，得到代扣風險量化分為0.6；若步驟205中同時獲取了支付帳戶和商戶帳戶的設備資訊和消費資訊，則將第一和值與第三和值相加，得到代扣風險量化分為0.3；若步驟205中只獲取了支付帳戶和商戶帳戶的設備資訊，則將第一和值作為代扣風險量化分；若步驟205中只獲取了支付帳戶和商戶帳戶的環境資訊，則將第二和值作為代扣風險量化分；若步驟205中只獲取了支付帳戶和商戶帳戶的消費資訊，則將第三和值作為代扣風險量化分。 更優選地，將得到的代扣風險量化分乘以100。如圖6所示，代扣風險量化分大於60的代扣為高危險代扣，如圖7所示，代扣風險量化分在30-60之間的代扣為可疑代扣，如圖8所示，代扣風險量化分小於30的代扣為安全代扣。 圖3為本說明書實施例提供的通用簽約代扣風控框架，用以實現圖1中的一種簽約風險量化方法和圖2中的一種代扣風險量化方法。針對簽約環節，第一層L1獲取支付帳戶簽約前歷史資訊和/或簽約當下資訊；第二層L2中的歷史資訊模組和當下資訊模組利用WOE模型提取獲取的資訊的特徵值，並篩選出大於預設閾值的特徵值；利用邏輯回歸模型將大於預設閾值的特徵值乘以其對應的權重，並將相乘結果相加，得到和值；根據和值得到簽約風險量化分(虛假簽約風險分)；第三層L3將簽約風險量化分輸出給支付寶帳戶和商戶帳戶。針對代扣環節，第一層L1獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者，並將獲取到的資訊作比較；第二層L2中的裝置衝突模組、環境衝突模組和消費衝突模組利用WOE模型提取比較結果的特徵值，並篩選出大於預設閾值的特徵值；利用邏輯回歸模型將大於預設閾值的特徵值乘以其對應的權重，並將相乘結果相加，得到和值；根據和值得到代扣風險量化分(虛假代扣風險分)；第三層L3將代扣風險量化分輸出給支付寶帳戶和商戶帳戶。 圖4為本說明書實施例提供的一種簽約風險量化裝置的結構示意圖，該結構示意圖包括：獲取模組405、提取模組410和獲得模組415； 所述獲取模組405，用於獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊； 所述提取模組410，用於提取所述支付帳戶簽約前歷史資訊的特徵值和/或所述支付帳戶簽約當下資訊的特徵值；具體用於利用WOE模型提取所述支付帳戶簽約前歷史資訊的特徵值和/或所述支付帳戶簽約當下資訊的特徵值。 所述獲得模組415，用於根據所述支付帳戶簽約前歷史資訊的特徵值及所述支付帳戶簽約前歷史資訊的權重和/或所述支付帳戶簽約當下資訊的特徵值及所述支付帳戶簽約當下資訊的權重，得到簽約風險量化分。 進一步地，所述支付帳戶簽約前歷史資訊包括：支付帳戶歷史簽約習慣、支付帳戶簽約前操作、支付帳戶簽約前衝突和支付帳戶簽約前身份中的至少一者；所述支付帳戶簽約當下資訊包括：支付帳戶簽約時間段資訊、支付帳戶簽約管道資訊、支付帳戶簽約設備資訊和支付帳戶簽約環境資訊中的至少一者。 進一步地，所述獲得模組415，具體用於利用邏輯回歸模型將所述支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將所述支付帳戶簽約當下資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值；根據所述第一和值和/或所述第二和值得到簽約風險量化分。再進一步地，針對所述支付帳戶簽約前歷史資訊的特徵值，利用WOE模型篩選出大於對應第一預設閾值的特徵值；利用邏輯回歸模型將所述大於對應第一預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對所述支付帳戶簽約當下資訊的特徵值，利用WOE模型篩選出大於對應第二預設閾值的特徵值；利用邏輯回歸模型將所述大於對應第二預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值。 圖5為本說明書實施例提供的一種代扣風險量化裝置的結構示意圖，該結構示意圖包括：獲取模組505，比較模組510，提取模組515和獲得模組520； 所述獲取模組505，用於獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者； 所述比較模組510，用於將所述支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與所述商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者； 所述提取模組515，用於提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值； 所述獲得模組520，用於根據所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分。 進一步地，所述設備資訊包括：設備地理位置資訊和/或使用設備數量；所述環境資訊包括：地理位置資訊和/或IP資訊；所述消費資訊包括：訂單號、支付時間和支付方式中的至少一者。 進一步地，具體用於提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值。 進一步地，所述獲得模組520，具體用於利用邏輯回歸模型將所述設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將所述環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值，和/或將所述消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加，得到第三和值；根據所述第一和值、所述第二和值和所述第三和值中的至少一者得到代扣風險量化分；進一步地，針對所述設備資訊比較結果的特徵值，利用WOE模型篩選出大於對應第一閾值的特徵值；利用邏輯回歸模型將所述大於對應第一閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對所述環境資訊比較結果的特徵值，利用WOE模型篩選出大於對應第二閾值的特徵值；利用邏輯回歸模型將所述大於對應第二閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值；和/或針對所述消費資訊比較結果的特徵值，利用WOE模型篩選出大於對應第三閾值的特徵值；利用邏輯回歸模型將所述大於對應第三閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第三和值。 本說明書實施例提供的一種簽約風險量化設備，包括：記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述處理器執行獲取支付帳戶簽約前歷史信息和/或支付帳戶簽約當下資訊；提取所述支付帳戶簽約前歷史資訊的特徵值和/或所述支付帳戶簽約當下資訊的特徵值；根據所述支付帳戶簽約前歷史資訊的特徵值及所述支付帳戶簽約前歷史資訊的權重和/或所述支付帳戶簽約當下資訊的特徵值及所述支付帳戶簽約當下資訊的權重，得到簽約風險量化分。 本說明書實施例提供的一種代扣風險量化設備，包括：記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述處理器執行獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者；將所述支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與所述商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者；提取所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值；根據所述設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分。 本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或電腦程式產品。因此，本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和／或方框圖來描述的。應理解可由電腦程式指令實現流程圖和／或方框圖中的每一流程和／或方框、以及流程圖和／或方框圖中的流程和／或方框的結合。可提供這些電腦程式指令到電腦、專用電腦、嵌入式處理機或其他可編程資料處理設備的處理器以產生一個機器，使得透過電腦或其他可編程資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可編程資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可編程資料處理設備上，使得在電腦或其他可編程設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的步驟。 在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)和/或非易失性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調製的資料信號和載波。 還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括要素的過程、方法、商品或者設備中還存在另外的相同要素。 以上僅為本說明書的實施例而已，並不用於限制本說明書。對於本領域技術人員來說，本說明書可以有各種更改和變化。凡在本說明書的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本說明書的申請專利範圍之內。
105:方法步驟 110:方法步驟 115:方法步驟 205:方法步驟 210:方法步驟 215:方法步驟 220:方法步驟 405:獲取模組 410:提取模組 415:獲得模組 505:獲取模組 510:比較模組 515:提取模組 520:獲得模組
為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本說明書中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。 圖1為本說明書實施例提供的一種簽約風險量化方法的流程示意圖； 圖2為本說明書實施例提供的一種代扣風險量化方法的流程示意圖； 圖4為本說明書實施例提供的一種簽約風險量化裝置的結構示意圖； 圖5為本說明書實施例提供的一種代扣風險量化裝置的結構示意圖； 圖3為本說明書實施例提供的通用簽約代扣風控框架； 圖6為量化分大於60的介面示意圖； 圖7為量化分為30—60的介面示意圖； 圖8為量化分小於30的介面示意圖。

Claims (18)

  1. 一種簽約風險量化方法，其特徵在於，該方法包括：獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊；提取該支付帳戶簽約前歷史資訊的特徵值和/或該支付帳戶簽約當下資訊的特徵值；根據該支付帳戶簽約前歷史資訊的特徵值及該支付帳戶簽約前歷史資訊的權重和/或該支付帳戶簽約當下資訊的特徵值及該支付帳戶簽約當下資訊的權重，得到簽約風險量化分，所述簽約分險量化分用於識別所述支付帳戶被盜用風險，其中，所述根據該支付帳戶簽約前歷史資訊的特徵值及該支付帳戶簽約前歷史資訊的權重和/或該支付帳戶簽約當下資訊的特徵值及該支付帳戶簽約當下資訊的權重，得到簽約風險量化分包括：利用邏輯回歸模型將該支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該支付帳戶簽約當下資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值；根據該第一和值和/或該第二和值得到簽約風險量化分。
  2. 根據請求項1所述的簽約風險量化方法，其中，該支付帳戶簽約前歷史資訊包括：支付帳戶歷史簽約習慣、支付帳戶簽約前操作、支付帳戶簽約前衝突和支付 帳戶簽約前身份中的至少一者；該支付帳戶簽約當下資訊包括：支付帳戶簽約時間段資訊、支付帳戶簽約管道資訊、支付帳戶簽約設備資訊和支付帳戶簽約環境資訊中的至少一者。
  3. 根據請求項1所述的簽約風險量化方法，其中，所述利用邏輯回歸模型將該支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或該支付帳戶簽約當下資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值包括：針對該支付帳戶簽約前歷史資訊的特徵值，利用WOE模型篩選出大於對應第一預設閾值的特徵值；利用邏輯回歸模型將該大於對應第一預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對該支付帳戶簽約當下資訊的特徵值，利用WOE模型篩選出大於對應第二預設閾值的特徵值；利用邏輯回歸模型將該大於對應第二預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值。
  4. 根據請求項1所述的簽約風險量化方法，其中，所述提取該支付帳戶簽約前歷史資訊的特徵值和/或該支付帳戶簽約當下資訊的特徵值包括：利用WOE模型提取該支付帳戶簽約前歷史資訊的特徵值和/或該支付帳戶簽約當下資訊的特徵值。
  5. 一種代扣風險量化方法，其特徵在於，該方法包括：獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者；將該支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與該商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者；提取該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值；根據該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分，其中，所述根據該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分包括：利用邏輯回歸模型將該設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值，和/或將該消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第三和值；根據該第一和值、該第二和值和該第三和值中的至少一者得到代扣風險量化分。
  6. 根據請求項5所述的代扣風險量化方法，其中， 該設備資訊包括：設備地理位置資訊和/或使用設備數量；該環境資訊包括：地理位置資訊和/或IP資訊；該消費資訊包括：訂單號、支付時間和支付方式中的至少一者。
  7. 根據請求項5所述的代扣風險量化方法，其中，所述利用邏輯回歸模型將該設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值，和/或將該消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第三和值包括：針對該設備資訊比較結果的特徵值，利用WOE模型篩選出大於對應第一閾值的特徵值；利用邏輯回歸模型將該大於對應第一閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對該環境資訊比較結果的特徵值，利用WOE模型篩選出大於對應第二閾值的特徵值；利用邏輯回歸模型將該大於對應第二閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值；和/或針對該消費資訊比較結果的特徵值，利用WOE模型篩選出大於對應第三閾值的特徵值；利用邏輯回歸模型將該大於對應第三閾值的特徵值與其對應的權重相乘並將相乘 結果相加，得到第三和值。
  8. 根據請求項7所述的代扣風險量化方法，其中，所述提取該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值包括：利用WOE模型提取該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值。
  9. 一種簽約風險量化裝置，其特徵在於，該裝置包括：獲取模組、提取模組和獲得模組；該獲取模組，用於獲取支付帳戶簽約前歷史資訊和/或支付帳戶簽約當下資訊；該提取模組，用於提取該支付帳戶簽約前歷史資訊的特徵值和/或該支付帳戶簽約當下資訊的特徵值；該獲得模組，用於根據該支付帳戶簽約前歷史資訊的特徵值及該支付帳戶簽約前歷史資訊的權重和/或該支付帳戶簽約當下資訊的特徵值及該支付帳戶簽約當下資訊的權重，得到簽約風險量化分，所述簽約分險量化分用於識別所述支付帳戶被盜用風險，其中，該獲得模組，用於利用邏輯回歸模型將該支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該支付帳戶簽約當下資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值；根據該第一和值和/或該第二和值得到簽約風險量化分。
  10. 根據請求項9所述的簽約風險量化裝置，其中，該支付帳戶簽約前歷史資訊包括：支付帳戶歷史簽約習慣、支付帳戶簽約前操作、支付帳戶簽約前衝突和支付帳戶簽約前身份中的至少一者；該支付帳戶簽約當下資訊包括：支付帳戶簽約時間段資訊、支付帳戶簽約管道資訊、支付帳戶簽約設備資訊和支付帳戶簽約環境資訊中的至少一者。
  11. 根據請求項9所述的簽約風險量化裝置，其中，所述利用邏輯回歸模型將該支付帳戶簽約前歷史資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該支付帳戶簽約當下資訊的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值包括：針對該支付帳戶簽約前歷史資訊的特徵值，利用WOE模型篩選出大於對應第一預設閾值的特徵值；利用邏輯回歸模型將該大於對應第一預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對該支付帳戶簽約當下資訊的特徵值，利用WOE模型篩選出大於對應第二預設閾值的特徵值；利用邏輯回歸模型將該大於對應第二預設閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值。
  12. 根據請求項11所述的簽約風險量化裝置，其中，該提 取模組，具體用於利用WOE模型提取該支付帳戶簽約前歷史資訊的特徵值和/或該支付帳戶簽約當下資訊的特徵值。
  13. 一種代扣風險量化裝置，其特徵在於，該裝置包括：獲取模組，比較模組，提取模組和獲得模組；該獲取模組，用於獲取支付帳戶和商戶帳戶的設備資訊、環境資訊和消費資訊中的至少一者；該比較模組，用於將該支付帳戶的設備資訊、環境資訊和消費資訊中的至少一者與該商戶帳戶對應的設備資訊、環境資訊和消費資訊中的至少一者進行比較，得到設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者；該提取模組，用於提取該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值；該獲得模組，用於根據該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值及其對應的權重，得到代扣風險量化分，其中，該獲得模組，用於利用邏輯回歸模型將該設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值，和/或將該消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第三和值；根據該第一和值、該第二和值和該第三和 值中的至少一者得到代扣風險量化分。
  14. 根據請求項13所述的代扣風險量化裝置，其中，該設備資訊包括：設備地理位置資訊和/或使用設備數量；該環境資訊包括：地理位置資訊和/或IP資訊；該消費資訊包括：訂單號、支付時間和支付方式中的至少一者。
  15. 根據請求項13所述的代扣風險量化裝置，其中，所述利用邏輯回歸模型將該設備資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第一和值，和/或將該環境資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第二和值，和/或將該消費資訊比較結果的特徵值與其對應的權重相乘並將相乘結果相加得到第三和值包括：針對該設備資訊比較結果的特徵值，利用WOE模型篩選出大於對應第一閾值的特徵值；利用邏輯回歸模型將該大於對應第一閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第一和值；和/或針對該環境資訊比較結果的特徵值，利用WOE模型篩選出大於對應第二閾值的特徵值；利用邏輯回歸模型將該大於對應第二閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第二和值；和/或 針對該消費資訊比較結果的特徵值，利用WOE模型篩選出大於對應第三閾值的特徵值；利用邏輯回歸模型將該大於對應第三閾值的特徵值與其對應的權重相乘並將相乘結果相加，得到第三和值。
  16. 根據請求項15所述的代扣風險量化裝置，其中，該提取模組，具體用於利用WOE模型提取該設備資訊比較結果、環境資訊比較結果和消費資訊比較結果中的至少一者的特徵值。
  17. 一種簽約風險量化設備，包括：記憶體以及處理器，該記憶體儲存程式，並且被配置成由該處理器執行請求項1-4中任一項所述的簽約風險量化方法。
  18. 一種代扣風險量化設備，包括：記憶體以及處理器，該記憶體儲存程式，並且被配置成由該處理器執行請求項6-8中任一項所述的代扣風險量化方法。
TW108121258A 2018-08-22 2019-06-19 簽約風險量化方法、代扣風險量化方法、裝置及設備 TWI707287B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810958095.6 2018-08-22
CN201810958095.6A CN109191096A (zh) 2018-08-22 2018-08-22 一种签约风险量化方法、代扣风险量化方法、装置及设备

Publications (2)

Publication Number Publication Date
TW202013277A TW202013277A (zh) 2020-04-01
TWI707287B true TWI707287B (zh) 2020-10-11

Family

ID=64918889

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108121258A TWI707287B (zh) 2018-08-22 2019-06-19 簽約風險量化方法、代扣風險量化方法、裝置及設備

Country Status (3)

Country Link
CN (1) CN109191096A (zh)
TW (1) TWI707287B (zh)
WO (1) WO2020038099A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备
CN110033278B (zh) * 2019-03-27 2023-06-23 创新先进技术有限公司 风险识别方法和装置
CN110648048A (zh) * 2019-08-21 2020-01-03 阿里巴巴集团控股有限公司 小程序签约事件处理方法、装置、服务器及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005017679A2 (en) * 2003-08-05 2005-02-24 Abrw Associates, Inc. Contractor certification system
WO2007055363A2 (ja) * 2005-11-11 2007-05-18 Naoaki Suzuki 加盟店契約システム
TW200943213A (en) * 2008-04-08 2009-10-16 Grandot Tech Inc Adjustable IP insurance risk assessment system and method thereof
CN106779271A (zh) * 2015-11-23 2017-05-31 阿里巴巴集团控股有限公司 确定风险特征的方法及装置和账户风险评分方法及装置
CN106940868A (zh) * 2016-01-05 2017-07-11 阿里巴巴集团控股有限公司 实时与离线相结合的交易风险识别方法及装置
CN108133372A (zh) * 2017-12-28 2018-06-08 阿里巴巴集团控股有限公司 评估支付风险的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091861A1 (en) * 2015-09-24 2017-03-30 International Business Machines Corporation System and Method for Credit Score Based on Informal Financial Transactions Information
CN106127363B (zh) * 2016-06-12 2022-04-15 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置
CN107784411A (zh) * 2016-08-26 2018-03-09 阿里巴巴集团控股有限公司 模型中关键变量的探测方法及装置
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005017679A2 (en) * 2003-08-05 2005-02-24 Abrw Associates, Inc. Contractor certification system
WO2007055363A2 (ja) * 2005-11-11 2007-05-18 Naoaki Suzuki 加盟店契約システム
TW200943213A (en) * 2008-04-08 2009-10-16 Grandot Tech Inc Adjustable IP insurance risk assessment system and method thereof
CN106779271A (zh) * 2015-11-23 2017-05-31 阿里巴巴集团控股有限公司 确定风险特征的方法及装置和账户风险评分方法及装置
CN106940868A (zh) * 2016-01-05 2017-07-11 阿里巴巴集团控股有限公司 实时与离线相结合的交易风险识别方法及装置
CN108133372A (zh) * 2017-12-28 2018-06-08 阿里巴巴集团控股有限公司 评估支付风险的方法及装置

Also Published As

Publication number Publication date
TW202013277A (zh) 2020-04-01
CN109191096A (zh) 2019-01-11
WO2020038099A1 (zh) 2020-02-27

Similar Documents

Publication Publication Date Title
US9407655B2 (en) Monitoring security risks to enterprise corresponding to access rights and access risk calculation
US10255108B2 (en) Parallel execution of blockchain transactions
CN110020542B (zh) 数据读写方法及装置、电子设备
TWI707287B (zh) 簽約風險量化方法、代扣風險量化方法、裝置及設備
Andrijcic et al. A macro‐economic framework for evaluation of cyber security risks related to protection of intellectual property
WO2020211497A1 (zh) 一种个人资产变更记录的存储方法、***、装置及设备
EP3905178A1 (en) Blockchain-based resource allocation method and apparatus, and electronic device
US20200175403A1 (en) Systems and methods for expediting rule-based data processing
US10769179B2 (en) Node linkage in entity graphs
US20140310715A1 (en) Modeling and Consuming Business Policy Rules
US10691640B1 (en) Storing an asset update record
CN115545271A (zh) 一种用户身份状态预测方法、装置及设备
CN111046052B (zh) 一种数据库中的操作记录存储方法、装置及设备
US20160210692A1 (en) Data stocks integrated it multi-platform system
US9754319B2 (en) Source document framework for accounting systems
US10789571B1 (en) Persona-based application platform
US9525687B2 (en) Template for customer attributes
US11170046B2 (en) Network node consolidation
Martins et al. Recoverable token: Recovering from intrusions against digital assets in Ethereum
US20210073706A1 (en) Auditing of business controls using analytic control tests
US12032642B1 (en) Systems and methods for sharing user data
WO2021125108A1 (ja) 制御方法、装置、および、プログラム
US12002099B1 (en) Systems and methods for developing convertible term products
US20210232703A1 (en) Systems and methods for domain-based smart contract execution governance in a dlt network
US20190356647A1 (en) Multilevel sign-on