一种交易记录的风险判定方法及装置
阅读：258发布：2020-05-12
专利汇可以提供一种交易记录的风险判定方法及装置专利检索，专利查询，专利分析的服务。并且本 说明书 实施例 提供一种 交易记录 的 风 险判定方法及装置，其中，所述方法包括：获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。本说明书提供的技术方案，能够提高风险判定的效率和 精度 。，下面是一种交易记录的风险判定方法及装置专利的具体信息内容。
1.一种交易记录的风险判定方法，包括：
获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；
根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；
获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；
根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
2.根据权利要求1所述的方法，所述特征参数至少包括：用于表征所述交易样本的欺诈风险程度的欺诈特征参数、用于表征所述交易样本是否为虚假交易的异常特征参数以及用于表征所述交易样本是否为套现交易的套现特征参数。
3.根据权利要求2所述的方法，其中，所述欺诈特征参数具备取值范围，所述取值范围具备起始值和终止值；相应地，在获取训练样本集之后，所述方法还包括：
将所述交易样本的欺诈特征参数当前的取值与指定阈值进行比较，若所述当前的取值小于或者等于所述指定阈值，将所述当前的取值更改为所述取值范围的起始值；若所述当前的取值大于所述指定阈值，将所述当前的取值更改为所述取值范围的终止值。
4.根据权利要求1所述的方法，基于所述特征参数矩阵，为所述特征参数分配权重值包括：
计算所述特征参数矩阵的协方差矩阵，并计算所述协方差矩阵对应的特征值序列；其中，所述特征值序列中包含的特征值与主成分一一对应，所述主成分由所述至少三种特征参数按照各自的系数加权构成；
分别确定所述特征值序列中的特征值在特征值总和中所占的比例，并将确定的所述比例作为对应主成分的权重因子；
根据所述主成分的权重因子，以及所述主成分中特征参数的系数，为所述特征参数分配权重值。
5.根据权利要求1所述的方法，确定所述目标商户的安全系数包括：
计算所述目标商户的交易记录中每种特征参数的参数平均值，并基于计算的所述参数平均值，构建参数向量；
基于所述特征参数的权重值，计算所述参数向量与预设最劣向量之间的第一距离，并计算所述参数向量与预设最优向量之间的第二距离；
根据所述第一距离和所述第二距离，确定所述目标商户的安全系数。
6.根据权利要求5所述的方法，基于所述特征参数的权重值，计算所述参数向量与预设最劣向量之间的第一距离，并计算所述参数向量与预设最优向量之间的第二距离包括：
计算所述参数向量中特征参数的参数平均值与所述预设最劣向量中对应的向量元素之间的差值，并计算所述差值与所述特征参数的权重值之间的乘积，得到加权后的差值；根据加权后的差值计算所述参数向量与所述预设最劣向量之间的第一距离；
计算所述参数向量中特征参数的参数平均值与所述预设最优向量中对应的向量元素之间的差值，并计算所述差值与所述特征参数的权重值之间的乘积，得到加权后的差值；根据加权后的差值计算所述参数向量与所述预设最优向量之间的第二距离。
7.根据权利要求5所述的方法，根据所述第一距离和所述第二距离，确定所述目标商户的安全系数包括：
计算所述第一距离和所述第二距离的距离之和，并将所述第一距离与所述距离之和的比值作为所述目标商户的安全系数。
8.一种交易记录的风险判定装置，包括：
样本集获取单元，用于获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；
权重值分配单元，用于根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；
交易记录获取单元，用于获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；
风险判断单元，用于根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
9.根据权利要求8所述的装置，所述权重值分配单元包括：
特征值序列计算模块，用于计算所述特征参数矩阵的协方差矩阵，并计算所述协方差矩阵对应的特征值序列；其中，所述特征值序列中包含的特征值与主成分一一对应，所述主成分由所述至少三种特征参数按照各自的系数加权构成；
权重因子确定模块，用于分别确定所述特征值序列中的特征值在特征值总和中所占的比例，并将确定的所述比例作为对应主成分的权重因子；
分配模块，用于根据所述主成分的权重因子，以及所述主成分中特征参数的系数，为所述特征参数分配权重值。
10.根据权利要求8所述的装置，所述风险判断单元包括：
参数向量构建模块，用于计算所述目标商户的交易记录中每种特征参数的参数平均值，并基于计算的所述参数平均值，构建参数向量；
距离计算模块，用于基于所述特征参数的权重值，计算所述参数向量与预设最劣向量之间的第一距离，并计算所述参数向量与预设最优向量之间的第二距离；
安全系数确定模块，用于根据所述第一距离和所述第二距离，确定所述目标商户的安全系数。
11.根据权利要求10所述的装置，所述安全系数确定模块包括：
比值计算模块，用于计算所述第一距离和所述第二距离的距离之和，并将所述第一距离与所述距离之和的比值作为所述目标商户的安全系数。
12.一种交易记录的风险判定装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一权利要求所述的方法。
一种交易记录的风险判定方法及装置
技术领域
背景技术
[0002] 随着电子支付技术的不断发展，用户可以扫描商家设置的收钱码，从而向该收钱码表征的账户支付商品的金额。
[0003] 为了保障电子支付的安全性，通常会对商户的交易记录进行安全评估。当前，可以通过TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution，逼近于理想值的排序方法)算法对商户一段时间内的交易记录进行分析，从而确定出商户是否存在交易风险。然而，在利用TOPSIS算法对交易记录进行分析的过程中，往往需要人为设置各个参数的权重值。这样的方式在面对海量数据时，会在设置权重值的过程中浪费相当多的人力物力。此外，人为设置权重值往往会引入人的主观因素，使得最终分析的结果不够准确。因此，目前需要一种更加高效、更加精确的风险判定方法。发明内容
[0004] 本说明书实施例的目的是提供一种交易记录的风险判定方法及装置，能够提高风险判定的效率和精度。
[0005] 为实现上述目的，本说明书的一些实施例是这样实现的：
[0006] 一种交易记录的风险判定方法，包括：
[0007] 获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；
[0008] 根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；
[0009] 获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；
[0010] 根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
[0011] 一种交易记录的风险判定装置，包括：
[0012] 样本集获取单元，用于获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；
[0013] 权重值分配单元，用于根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；
[0014] 交易记录获取单元，用于获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；
[0015] 风险判断单元，用于根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
[0017] 由以上可见，本说明书一个或多个实施例中，可以预先获取训练样本集，该训练样本集中可以包括大量的交易样本，这些交易样本可以具备不同种类的特征参数。这些特征参数可以从多个不同的维度来表征交易样本。基于交易样本的特征参数，可以构建特征参数矩阵。后续，可以对该特征参数矩阵进行处理，从而根据该特征参数矩阵，为不同的特征参数分配各自的权重值。这样，通过对大量交易样本的分析，可以自动为特征参数分配权重值，从而避免了人为参与的过程。然后，针对目标商户一段时间内的交易记录，可以对这些交易记录的特征参数进行分析，同时，结合各个特征参数对应的权重值，最终可以确定出目标商户的安全系数。该安全系数便可以用于判定目标商户的交易记录是否存在风险。由上可见，本说明书一个或多个实施例提供的技术方案，在对商户的交易风险进行判定时，避免了人为设置权重值的过程，而是通过对交易样本进行分析，从而自动设置不同的特征参数对应的权重值，从而提高了风险判定的效率和精度。附图说明
[0018] 为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019] 图1是本说明书提供的一种交易记录的风险判定方法流程图；
[0020] 图2是本说明书提供的交易记录的风险判定装置的功能模块示意图；
[0021] 图3是本说明书提供的交易记录的风险判定装置的结构示意图。
具体实施方式
[0022] 本说明书实施例提供一种交易记录的风险判定方法及装置。
[0023] 为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
[0024] 请参阅图1，本说明书一个实施例提供一种交易记录的风险判定方法，所述方法可以包括以下步骤。
[0025] S1：获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数。
[0026] 在本实施例中，所述训练样本集中的交易样本可以是不同商户的大量的历史交易记录，当然也可以是同一个商户的大量的历史交易记录。目前，针对每一笔交易记录，电子支付系统可以对交易记录进行多方面的评估，从而可以得到多个不同的特征参数。
[0027] 在本实施例中，电子支付系统中可以包括用于评估交易记录的欺诈风险程度的模型。当交易记录发生后，电子支付系统可以基于该模型对该交易记录进行计算，从而得到用于表征所述交易记录的欺诈风险程度的欺诈特征参数。在实际应用中，该欺诈特征参数的取值范围可以是从0至1中的任意数值。其中，0可以作为该取值范围的起始值，1可以作为该取值范围的终止值。为了便于后续处理，可以对该欺诈特征参数进行二值化处理，使得二值化处理之后的欺诈特征参数的取值结果仅是起始值或者终止值。具体地，针对训练样本集中的各个交易样本，可以读取交易样本的欺诈特征参数当前的取值，然后可以将所述当前的取值与指定阈值进行比较。该指定阈值可以根据实际情况灵活调整。若所述当前的取值小于或者等于所述指定阈值，则可以将所述当前的取值更改为所述取值范围的起始值，表示该交易样本并非是欺诈交易；若所述当前的取值大于所述指定阈值，则可以将所述当前的取值更改为所述取值范围的终止值，表示该交易样本属于欺诈交易。以上述的0至1的取值范围为例，经过二值化处理之后的欺诈特征参数的取值结果，只可能是0或者1。
[0028] 在本实施例中，电子支付系统还可以评估交易记录是否为虚假交易。该评估结果可以通过用于表征交易记录是否为虚假交易的异常特征参数来表示。其中，该异常特征参数可以取值为0或者1，其中，0可以表示当前的交易记录并非是虚假交易；1则可以表示当前的交易记录属于虚假交易。
[0029] 在本实施例中，电子支付系统还可以评估交易记录是否为套现交易。该评估结果可以通过用于表征交易记录是否为套现交易的套现特征参数来表示。其中，该套现特征参数可以取值为0或者1，其中，0可以表示当前的交易记录并非是套现交易；1则可以表示当前的交易记录属于套现交易。
[0030] 当然，上述的取值为0或者1仅是为了描述技术方案的便利而例举的情况，在实际应用中可以根据实际需求的不同，将上述的特征参数赋予其它的数值，本说明书对此并不做限定。此外，以上仅例举了三种不同的特征参数，但并不表示本说明书描述的技术方案仅适用于这三种不同的特征参数。在实际应用中，还可以对交易记录进行更多方面的考量，从而对应产生更多的特征参数。例如，在一个应用示例中，电子支付系统还可以评估交易记录是否存在赌博行为，从而可以产生赌博特征参数。
[0031] 在本实施例中，在对欺诈特征参数进行二值化处理之后，各个特征参数的取值均可以是0或者1。此外，特征参数的取值表征的风险含义也需要统一。例如，假设欺诈特征参数取值为1，表示交易记录是欺诈记录，那么异常特征参数和套现特征参数在取值为1时，也应当分别表示交易记录为虚假交易或者套现交易。也就是说，对于相同的取值，不同的特征参数所表征的风险效果也应当是相同的，通常不能在取相同的取值时，一个特征参数表征安全的交易记录，而另一个特征参数却表征异常的交易记录。
[0032] S3：根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值。
[0033] 在本实施例中，训练样本集中的交易样本，通常会至少具备上述三种特征参数，这样，在对不同的特征参数进行考量时，就需要确定不同的特征参数对结果的影响程度。这种影响程度可以通过特征参数的权重值来表示。
[0034] 在本实施例中，为了避免通过人为的方式来确定不同特征参数的权重值，可以通过主成分分析(Principal Component Analysis，PCA)算法来为不同的特征参数分配对应的权重值。然而，目前的PCA算法并不能直接套用至本实施例的技术方案中，而是需要进行一定的改进。具体地，假设每个交易样本均具备上述的欺诈特征参数、异常特征参数以及套现特征参数这三种特征参数，那么可以根据所述交易样本的各个特征参数，构建特征参数矩阵。在所述特征参数矩阵中，同一个交易样本的三种特征参数可以位于同一行，相同种类的特征参数则可以处于同一列。在传统的PCA算法中，首先需要对构成的该特征参数矩阵进行去中心化的处理。该去中心化的处理过程可以表示为：计算特征参数矩阵中每一列特征参数的平均值，然后用每一列特征参数减去对应列的平均值。这样处理之后，每一列特征参数的平均值便可以变为0，从而完成去中心化的操作。然而，针对本实施例的情形，由于交易样本的特征参数均通过0或1的二值形式来表示，同时绝大多数的交易样本都属于正常的交易样本，因此训练样本集中绝大多数交易样本的三个特征参数的取值均为0，从而使得构建的特征参数矩阵中，每一列特征参数的均值均接近于0。在这种情况下，可以省略去中心化的过程，从而简化实际的处理过程，进而能够提高整体方案的效率。
[0035] 在本实施例中，在构建了所述特征参数矩阵之后，便可以基于所述特征参数矩阵，为所述特征参数分配权重值。具体地，首先可以计算所述特征参数矩阵的协方差矩阵。所述协方差矩阵中的各个数值，可以是不同特征参数之间的协方差。这样，针对三种不同的特征参数而言，通过两两匹配的方式，最终可以生成3*3的协方差矩阵。在一个具体示例中，可以按照以下方式计算两种特征参数之间的协方差：
[0036]
[0037] 其中，X表示第一特征参数，Y表示第二特征参数，Cov(X,Y)表示第一特征参数和第二特征参数之间的协方差，Xi表示训练样本集中第i个交易样本的第一特征参数， 表示第一特征参数的平均值，Y表示训练样本集中第i个交易样本的第二特征参数， 表示第二特征参数的平均值，n表示交易样本的总数量。
[0038] 这样，通过求取不同特征参数之间的协方差，便可以生成对应的协方差矩阵。
[0039] 在本实施例中，若AK＝λK成立，那么λ便可以称为矩阵A的特征值，而K可以作为对应的特征向量。若将上述的协方差矩阵作为上式中的矩阵A，那么按照线性代数的处理方法，可以计算得到协方差矩阵的特征值以及对应的特征向量。由于在本实施例中，协方差矩阵可以是一个3*3的矩阵，因此计算得到的特征值也可以是一个矩阵，该矩阵可以是一个对角矩阵。这样，在本实施例中，该对角矩阵的主对角线上的各个数值便可以构成特征值序列。
[0040] 在本实施例中，可以对协方差矩阵进行SVD(Singular Value Decomposition，奇异值分解)，从而得到3个正交主成分(principal Component)。也就是说，通过奇异值分解，可以把原始的特征参数映射到主成分空间中去。其中，上述特征值序列中包含的特征值，可以与各个主成分一一对应。并且各个特征值在特征值之和中所占的比例可以表明各个主成分的重要性。在实际应用中，所述主成分可以由所述至少三种特征参数按照各自的系数加权构成。假设特征值序列中包含的三个特征值为0.5，0.2以及0.3，这三个特征值分别对应三个主成分P1、P2、P3的相对重要性。此外，上述的欺诈特征参数、异常特征参数以及套现特征参数可以分别记为cheat、abnor、taoxian。这样，上述的三个主成分可以由这三个特征参数按照各自的比例系数进行加权得到：
[0041] P1＝0.7*cheat+0.7*abnor+0.01*taoxian
[0042] P2＝0.01*cheat-0.02*taoxian
[0043] P3＝0.4*cheat+0.3*abnor
[0044] 以P2为例，欺诈特征参数的系数为0.01，异常特征参数例系数为0，套现特征参数的系数为0.02。
[0045] 在本实施例中，可以计算各个特征值在特征值之和中所占的比例，该比例便可以表征主成分的相对重要性，从而可以作为主成分的权重因子。例如，上述的P1主成分的权重因子可以是0.5，P2的权重因子可以是0.2，P3的权重因子可以是0.3。然后，可以根据所述主成分的权重因子，以及所述主成分中特征参数的系数，来为所述特征参数分配权重值。具体地，以特征参数cheat为例，可以计算每个主成分的权重因子与该主成分中cheat的系数的乘积，然后将计算得到的乘积相加，从而可以得到cheat对应的权重值。例如，上述cheat的权重值可以表示为0.5*0.7+0.2*0.01+0.3*0.4＝0.472。
[0046] 在一个应用实例中，在计算出各个特征参数的权重值之后，可以将这些权重值进行归一化，从而将归一化的结果作为最终的权重值。
[0047] 这样，通过上述的方式，便可以基于构建的特征参数矩阵，为不同的特征参数自动分配各自的权重值，避免了人为分配权重值的过程。
[0048] S5：获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数。
[0049] S7：根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
[0050] 在本实施例中，在确定出不同的特征参数对应的权重值之后，便可以为当前待分析的目标商户进行交易风险判定。具体地，可以获取该目标商户在一定时段内的交易记录，这些交易记录也可以具备上述的多个特征参数。然后，针对这些交易记录中的每种特征参数，可以分别计算每种特征参数的参数平均值。这样，假设交易记录中包含三种不同的特征参数，那么便可以计算得到三个参数平均值。
[0051] 在本实施例中，计算得到的各个参数平均值，可以作为向量中不同的向量元素，构成参数向量。例如，该参数向量的形式可以为(cheat_r，abnor_r，taoxian_r)，其中，cheat_r，abnor_r，taoxian_r可以分别表示欺诈特征参数平均值，异常特征参数平均值以及套现特征参数平均值。
[0052] 在本实施例中，假设特征参数在0或者1中进行取值，那么各个特征参数均取0时，可以表示交易记录的各方面均处于正常状态，属于最优的交易情况。从向量的角度来看，(0，0，0)表示最优的交易情况(假设有三种特征参数)。相反地，若各个特征参数均取1时，可以表示交易记录的各方面均处于非正常状态，属于最劣的交易情况。从向量的角度来看，(1，1，1)表示最劣的交易情况(假设有三种特征参数)。这样，最优的交易情况和最劣的交易情况可以分别通过预设最优向量和预设最劣向量来表示。通过判断构建的参数向量与这两个预设向量之间的距离，从而可以确定该参数向量所表征的交易情况。具体地，参数向量与预设最优向量越近，并且与预设最劣向量越远，则表示该参数向量表征的交易情况越安全；反之，则表示该参数向量表征的交易情况越危险。
[0053] 鉴于此，在本实施例中，可以计算所述参数向量与预设最劣向量之间的第一距离，并计算所述参数向量与预设最优向量之间的第二距离，然后可以根据所述第一距离和所述第二距离，确定所述目标商户的安全系数。为了考虑不同特征参数的权重值对计算结果的影响，在计算参数向量与预设最优向量以及预设最劣向量之间的距离时，可以将权重值引入计算过程。传统的计算向量之间的距离的公式可以按照以下方式来表示：
[0054]
[0055] 其中，dis可以表示向量(a1,a2,a3)与(b1,b2,b3)之间的距离。
[0056] 在本实施例中，不同的特征参数对结果的影响均可以不同，此时，在计算上述的第一距离时，可以计算所述参数向量中特征参数的参数平均值与所述预设最劣向量中对应的向量元素之间的差值，该差值便可以类似于上述公式中的(a1-b1)、(a2-b2)以及(a3-b3)，然后可以计算所述差值与所述特征参数的权重值之间的乘积，得到加权后的差值。例如，针对差值(a1-b1)而言，假设其对应的是欺诈特征参数，那么便可以将其乘以欺诈特征参数的权重值w1，从而得到加权后的差值w1(a1-b1)。这样，针对不同的特征参数，可以得到不同的加权后的差值。最终，可以按照上述的公式，通过加权后的差值进行平方求和，并将求和结果的平均根作为所述参数向量与所述预设最劣向量之间的第一距离。按照类似的方式，可以计算所述参数向量中特征参数的参数平均值与所述预设最优向量中对应的向量元素之间的差值，并计算所述差值与所述特征参数的权重值之间的乘积，得到加权后的差值。然后，可以根据加权后的差值计算所述参数向量与所述预设最优向量之间的第二距离。
[0057] 在本实施例中，所述第一距离可以表征目标商户的交易情况与最劣交易情况的距离，所述第二距离可以表征目标商户的交易情况与最优交易情况的距离。此时，可以计算所述第一距离和所述第二距离的距离之和，并将所述第一距离与所述距离之和的比值作为所述目标商户的安全系数。目标商户的交易情况与最劣交易情况的距离越远，会使得最终的安全系数越高。因此，该安全系数越大，表示目标商户的交易记录越安全；反之，则表示目标商户的交易记录越危险。这样，可以将所述安全系数与指定系数阈值进行对比，从而可以基于所述安全系数，判断所述目标商户的交易记录是否存在风险。具体地，若所述安全系数大于所述指定系数阈值，则可以判定目标商户的交易记录安全；而若所述安全系数小于或者等于所述指定系数阈值，则可以判定目标商户的交易记录存在风险。
[0058] 当然，本说明书提供的技术方案，除了能够判断目标商户的交易记录是否存在风险，还可以判断单个交易记录是否存在风险。具体地，针对单个交易记录的情况，可以获取该交易记录的多种特征参数，然后按照上述的方式，将特征参数的参数平均值直接用特征参数的实际赋值替代，从而可以得到该单个交易记录最终的安全系数，进而可以根据确定出的安全系数，判断该单个交易记录是否存在风险。
[0059] 请参阅图2，本说明书一个实施例还提供一种交易记录的风险判定装置，包括：
[0060] 样本集获取单元，用于获取训练样本集，所述训练样本集中包括多个交易样本，所述交易样本具备至少三种特征参数；
[0061] 权重值分配单元，用于根据所述训练样本集中所述交易样本的特征参数，构建特征参数矩阵，并基于所述特征参数矩阵，为所述特征参数分配权重值；
[0062] 交易记录获取单元，用于获取目标商户的交易记录，所述交易记录具备所述至少三种特征参数；
[0063] 风险判断单元，用于根据所述交易记录具备的特征参数以及为所述特征参数分配的权重值，确定所述目标商户的安全系数，并基于所述安全系数，判断所述目标商户的交易记录是否存在风险。
[0064] 在一个实施例中，所述权重值分配单元包括：
[0065] 特征值序列计算模块，用于计算所述特征参数矩阵的协方差矩阵，并计算所述协方差矩阵对应的特征值序列；其中，所述特征值序列中包含的特征值与主成分一一对应，所述主成分由所述至少三种特征参数按照各自的系数加权构成；
[0066] 权重因子确定模块，用于分别确定所述特征值序列中的特征值在特征值总和中所占的比例，并将确定的所述比例作为对应主成分的权重因子；
[0067] 分配模块，用于根据所述主成分的权重因子，以及所述主成分中特征参数的系数，为所述特征参数分配权重值。
[0068] 在一个实施例中，所述风险判断单元包括：
[0069] 参数向量构建模块，用于计算所述目标商户的交易记录中每种特征参数的参数平均值，并基于计算的所述参数平均值，构建参数向量；
[0070] 距离计算模块，用于基于所述特征参数的权重值，计算所述参数向量与预设最劣向量之间的第一距离，并计算所述参数向量与预设最优向量之间的第二距离；
[0071] 安全系数确定模块，用于根据所述第一距离和所述第二距离，确定所述目标商户的安全系数。
[0072] 在一个实施例中，所述安全系数确定模块包括：
[0073] 比值计算模块，用于计算所述第一距离和所述第二距离的距离之和，并将所述第一距离与所述距离之和的比值作为所述目标商户的安全系数。
[0074] 请参阅图3，本说明书一个实施例还提供一种交易记录的风险判定装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，可以实现上述的交易记录的风险判定方法。具体地，如图3所示，在硬件层面，该识别装置可以包括处理器、内部总线和存储器。所述存储器可以包括内存以及非易失性存储器。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述识别装置的结构造成限定。例如，所述识别装置还可包括比图3中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如GPU(Graphics Processing Unit，图像处理器)，或者具有与图3所示不同的配置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等。
[0075] 本说明书实施例中，所述的处理器可以包括中央处理器(CPU)或图形处理器(GPU)，当然也可以包括其他的具有逻辑处理能力的单片机、逻辑门电路、集成电路等，或其适当组合。本申请实施例所述的存储器可以是用于保存信息的记忆设备。在数字系统中，能保存二进制数据的设备可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也可以为存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也可以叫存储器等。实现的时候，该存储器也可以采用云存储器的方式实现，具体实现方式，本说明书不错限定。
[0076] 需要说明的是，本说明书实施例上述所述的装置，根据相关方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。
[0077] 由以上可见，本说明书一个或多个实施例中，可以预先获取训练样本集，该训练样本集中可以包括大量的交易样本，这些交易样本可以具备不同种类的特征参数。这些特征参数可以从多个不同的维度来表征交易样本。基于交易样本的特征参数，可以构建特征参数矩阵。后续，可以对该特征参数矩阵进行处理，从而根据该特征参数矩阵，为不同的特征参数分配各自的权重值。这样，通过对大量交易样本的分析，可以自动为特征参数分配权重值，从而避免了人为参与的过程。然后，针对目标商户一段时间内的交易记录，可以对这些交易记录的特征参数进行分析，同时，结合各个特征参数对应的权重值，最终可以确定出目标商户的安全系数。该安全系数便可以用于判定目标商户的交易记录是否存在风险。由上可见，本说明书一个或多个实施例提供的技术方案，在对商户的交易风险进行判定时，避免了人为设置权重值的过程，而是通过对交易样本进行分析，从而自动设置不同的特征参数对应的权重值，从而提高了风险判定的效率和精度。
[0078] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0079] 虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
[0080] 在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0081] 上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0082] 为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0083] 本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0084] 本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0085] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0086] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0089] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0090] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0091] 本领域技术人员应明白，本说明书的实施例可提供为方法、装置或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0092] 本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0093] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0094] 以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种链式交易记录分配退回系统 | 2020-05-11 | 359 |
| 轨道交通交易记录处理的方法、系统及装置 | 2020-05-13 | 590 |
| 电子交易记录分布系统 | 2020-05-11 | 859 |
| 记录媒体读取装置及交易装置 | 2020-05-12 | 597 |
| 销售点交易记录系统 | 2020-05-11 | 554 |
| 交易信息记录方法及装置、节点、存储介质 | 2020-05-13 | 244 |
| 一种交易信息记录的方法与装置 | 2020-05-12 | 907 |
| 一种面向区块链交易监管的交易记录外包方法 | 2020-05-11 | 933 |
| 一种区块链交易记录的处理方法及装置 | 2020-05-13 | 408 |
| 一种便携式交易即时影音记录仪 | 2020-05-12 | 226 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈