交易识别方法、装置、电子设备及存储介质

技术领域

本发明涉及软件技术领域，更具体地说，涉及一种交易识别方法、装置、电子设备及存储介质。

背景技术

在生活中，手机跟我们的生活息息相关，但是手机丢失导致的银行卡被盗刷是一种经常发生的事情，这对银行的客户和银行本身都造成了极大的危害。

因此，如何安全有保障地预防交易欺诈，成为亟需解决的问题。

发明内容

有鉴于此，为解决上述问题，本发明提供一种交易识别方法、装置、电子设备及存储介质，技术方案如下：

本发明一方面提供一种交易识别方法，所述方法包括：

响应目标客户当前发起的目标交易，获取所述目标客户的画像信息、以及所述目标交易当前的第一属性信息；

调取所述目标客户历史发起所述目标交易时的第二属性信息，并分析所述第一属性信息和所述第二属性信息间的属性差异程度；

根据所述属性差异程度和所述目标客户的画像信息，识别所述目标客户当前发起所述目标交易的欺诈性。

可选的，所述分析所述第一属性信息和所述第二属性信息间的属性差异程度，包括：

以所述目标交易为实体、以所述第一属性信息为边，构建所述目标客户的第一交易知识图谱；

以所述目标交易为实体、以所述第二属性信息为边，构建所述目标客户的第二交易知识图谱；

对比所述第一交易知识图谱和所述第二交易知识图谱计算所述属性差异程度。

可选的，所述目标客户历史发起多次所述目标交易，所述第二交易知识图谱为多个；

所述对比所述第一交易知识图谱和所述第二交易知识图谱计算所述属性差异程度，包括：

对多个所述第二交易知识图谱进行聚合处理，得到所述目标客户的平均交易知识图谱，所述平均交易知识图谱的实体为所述目标交易、边为所述第二属性信息的聚合结果；

对比所述第一交易知识图谱和所述平均交易知识图谱计算第一属性差异程度。

可选的，所述对比所述第一交易知识图谱和所述第二交易知识图谱计算所述属性差异程度，还包括：

从多个所述第二交易知识图谱中筛选符合预设条件的目标交易知识图谱；

对比所述第一交易知识图谱和所述目标交易知识图谱计算第二属性差异程度。

可选的，所述根据所述属性差异程度和所述目标客户的画像信息，识别所述目标客户当前发起所述目标交易的欺诈性，包括：

调取欺诈预测模型，所述欺诈预测模型是预先以所述目标交易被指定客户发起时的历史属性差异程度和所述指定客户的画像信息为样本，以对样本的欺诈预测结果趋近于欺诈标注结果为目标，对基础模型训练得到的；

将所述属性差异程度和所述目标客户的画像信息输入至所述欺诈预测模型中，以获取所述欺诈预测模型所输出的欺诈概率；

判断所述欺诈概率是否大于预设的概率阈值；

若是，则确定存在欺诈；

若否，则确定不存在欺诈。

可选的，所述方法还包括：

在存在欺诈的情况下，向所述目标客户进行交易确认。

本发明另一方面提供一种交易识别装置，所述装置包括：

信息获取模块，用于响应目标客户当前发起的目标交易，获取所述目标客户的画像信息、以及所述目标交易当前的第一属性信息；

属性分析模块，用于调取所述目标客户历史发起所述目标交易时的第二属性信息，并分析所述第一属性信息和所述第二属性信息间的属性差异程度；

欺诈识别模块，用于根据所述属性差异程度和所述目标客户的画像信息，识别所述目标客户当前发起所述目标交易的欺诈性。

可选的，所述属性分析模块，具体用于：

以所述目标交易为实体、以所述第一属性信息为边，构建所述目标客户的第一交易知识图谱；以所述目标交易为实体、以所述第二属性信息为边，构建所述目标客户的第二交易知识图谱；对比所述第一交易知识图谱和所述第二交易知识图谱计算所述属性差异程度。

本发明另一方面提供一种电子设备，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现任意一项所述的交易识别方法。

本发明另一方面提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行任意一项所述的交易识别方法。

相较于现有技术，本发明实现的有益效果为：

本发明提供的交易识别方法、装置、电子设备及存储介质，能够在目标客户每次发起交易时，即分析本次与历史发起交易时属性信息间的属性差异程度，由此即可确定目标客户与其交易习惯的差异，进而考虑目标客户的画像来准确识别当前交易的欺诈性，从而有效识别每次交易由本人正常发起。基于本发明，能够准确识别欺诈交易，减少甚至避免欺诈交易的产生，保障客户的财产安全。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的交易识别方法的方法流程图；

图2为本发明实施例提供的交易识别方法的部分方法流程图；

图3为本发明实施例提供的交易识别方法的另一部分方法流程图；

图4为本发明实施例提供的交易识别方法的再一部分方法流程图；

图5为本发明实施例提供的交易识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例提供一种交易识别方法，该方法的方法流程图如图1所示，包括如下步骤：

S10，响应目标客户当前发起的目标交易，获取目标客户的画像信息、以及目标交易当前的第一属性信息。

本发明实施例中，对于一个交易，其被发起时会相关的多个属性会被赋值，比如，交易金额、交易日期、交易时间、交易周序号(一周中的第几天)、交易类型(他行、同行)、交易时效(实时、普通)、交易地点、交易渠道(手机银行、ATM等)。

因此，客户每次发起一次交易，该交易相关的多个属性即具有相应的数值，由此这些属性的数值可以构成交易的属性信息。

而画像信息，这能够描述客户自身的一些属性，比如性别、年龄、婚姻情况、居住地、工作年限、年收入等。

S20，调取目标客户历史发起目标交易时的第二属性信息，并分析第一属性信息和第二属性信息间的属性差异程度。

本发明实施例中，以客户为维度，统计其所发起的每次交易的属性信息，将该客户对于同一交易多次发起的属性信息存储到一起。因此，目标客户当前发起目标交易时，能够获得该目标客户下历史发起目标交易的属性信息，即第二属性信息，发起一次目标交易，即获得一组第二属性信息。

由于第一属性信息是目标客户当前发起的目标交易的属性信息，因此第一属性信息和第二属性信息即具有相同的属性，通过对齐属性，能够获得第一属性信息和第二属性信息在不同属性下的数值差异程度。一个属性下，数值差异程度越大，则属性差异程度越大，另外，数值具有差异的属性越多，属性差异程度也就越大。

当然，一组第二属性信息即与第一属性信息具有一个相应的属性差异程度，多组第二属性信息即对应与第一属性信息的多个属性差异程度。因此，在第二属性信息为多组时，可以多组第二属性信息的多个属性差异程度进行处理，得到一个最终的、用于识别欺诈性的属性差异程度，比如随机选择一组第二属性信息的属性差异程度，再比如，选择交易时间距离当前最近的一个第二属性信息的属性差异程度，本发明实施例对此不做限定。

具体实现过程中，步骤S20中“分析第一属性信息和第二属性信息间的属性差异程度”可以采用如下步骤，方法流程图如图2所示：

S201，以目标交易为实体、以第一属性信息为边，构建目标客户的第一交易知识图谱。

S202，以目标交易为实体、以第二属性信息为边，构建目标客户的第二交易知识图谱。

S203，对比第一交易知识图谱和第二交易知识图谱计算属性差异程度。

本发明实施例中，借助知识图谱技术，对第一属性信息和第二属性信息分别构建交易知识图谱。当然，由于第一属性信息和第二属性信息对应的交易时间不同，因此本发明实施例是按照时间轴构建出目标客户的交易知识图谱。

由此，第一交易知识图谱和第二交易知识图谱的基本架构相同，即以目标交易为实体、以该目标交易相关的属性为边，不同的是，边所对应的属性的数值会有所区别。

目标客户历史多次发起目标交易时，第二属性信息为多组，还可以对所组第二属性信息进行处理，从中确定一个用于计算属性差异程度的第二属性信息，比如随机选择一个第二属性信息，再比如，选择交易时间距离当前最近的一个第二属性信息，本发明实施例对此不做限定。

在确定好用于计算属性差异程度的第二属性信息后，基于知识图谱技术，能够构建相应的知识图谱，即第二交易知识图谱。对于该第二交易知识图谱与第一交易知识图谱，通过对比属性相同的边，即可以精准获得不同边的差异程度，汇总所有边的差异程度或者筛选部分边的差异程度，即可获得属性差异程度。

在其他一些实施例中，目标客户历史多次发起目标交易时，第二属性信息为多组，对于每组第二属性信息均构建相应的交易知识图谱，即获得多个第二交易知识图谱。

此时，在执行步骤S203“对比第一交易知识图谱和第二交易知识图谱计算属性差异程度”的过程中，可以采用如下步骤，方法流程图如图3所示：

S2031，对多个第二交易知识图谱进行聚合处理，得到目标客户的平均交易知识图谱，平均交易知识图谱的实体为目标交易、边为第二属性信息的聚合结果。

本发明实施例中，基于多个第二交易知识图谱的边，即属性能够对不同属性下的数值进行聚合处理，该聚合处理包括但不局限于取均值、或者取众数等操作，将同一属性下的多个数值聚合为一个，从而将多个第二交易知识图谱的属性相同的边聚合为一个边，由此获得以目标交易为实体的平均交易知识图谱。

以交易金额为例，对该属性下的数值进行聚合处理时，由于其属于连续性变量，因此可以取均值作为该属性对应的聚合结果。以交易类型为例，对该属性下的数值进行聚合处理时，由于其属于离散性变量，因此可以取众数，即出现次数最多的数值作为该属性对应的聚合结果。

S2032，对比第一交易知识图谱和平均交易知识图谱计算第一属性差异程度。

本发明实施例中，对于第一交易知识图谱和平均交易知识图谱，可以向量化计算不同边的差异程度，从而汇总所有边的差异程度或者筛选部分边的差异程度作为第一方面的属性差异程度，即第一属性差异程度。这就可以减少图谱差异的计算量。

在此基础上，为提高属性差异程度计算的全面性，本发明实施例还可以包括如下步骤：

从多个第二交易知识图谱中筛选符合预设条件的目标交易知识图谱；对比第一交易知识图谱和目标交易知识图谱计算第二属性差异程度。

本发明实施例中，可以筛选交易时间距离当前最近的一个第二交易知识图谱或者多个第二交易图谱作为目标交易知识图谱，还可以筛选指定属性下数值满足对应阈值的第二交易知识图谱作为目标交易知识图谱，比如将交易金额最大的第二交易知识图谱作为目标交易知识图谱，本发明实施例对此不做限定。

对于第一交易知识图谱和每个目标交易知识图谱，通过向量化计算可以获得不同边的差异程度，从而汇总所有边的差异程度或者筛选部分边的差异程度作为第二方面的属性差异程度，即第二属性差异程度。

由此，将第一属性程度与第二属性程度的集合作为第一属性信息和第二属性信息间的属性差异程度。

S30，根据属性差异程度和目标客户的画像信息，识别目标客户当前发起目标交易的欺诈性。

本发明实施例中，综合考虑交易属性方向的差异、以及客户的画像两方面来识别本次发起目标交易是否存在欺诈。

具体实现过程中，步骤S30“据属性差异程度和目标客户的画像信息，识别目标客户当前发起目标交易的欺诈性”可以采用如下步骤，方法流程图如图4所示：

S301，调取欺诈预测模型，欺诈预测模型是预先以目标交易被指定客户发起时的历史属性差异程度和指定客户的画像信息为样本，以对样本的欺诈预测结果趋近于欺诈标注结果为目标，对基础模型训练得到的。

本发明实施例中，欺诈预测模型的基础模型可以为全连接的多层深度神经网络，以属性差异程度和画像信息为特征，通过标注样本，对基础模型不断进行迭代训练，最终得到欺诈预测模型。

S302，将属性差异程度和目标客户的画像信息输入至欺诈预测模型中，以获取欺诈预测模型所输出的欺诈概率。

本发明实施例中，欺诈预测模型基于目标客户当前发起目标交易的属性差异程度和目标客户的画像信息作为特征输入至欺诈预测模型，由该欺诈预测模型输出预测的欺诈概率，该欺诈概率越高，则属于本次交易出现欺诈的可能性就越高。

S303，判断欺诈概率是否大于预设的概率阈值；若是，则执行步骤S304；若否，则执行步骤S305。

S304，确定存在欺诈。

S305，确定不存在欺诈。

在此基础上，在确定存在欺诈的情况下，本发明实施例还可以采用电话或者邮件或者短信等方式向目标客户进行交易确认，在获得目标客户反馈的确认信息后，再执行本次目标交易。

本发明实施例提供的交易识别方法，能够在目标客户每次发起交易时，即分析本次与历史发起交易时属性信息间的属性差异程度，由此即可确定目标客户与其交易习惯的差异，进而考虑目标客户的画像来准确识别当前交易的欺诈性，从而有效识别每次交易由本人正常发起。基于本发明，能够准确识别欺诈交易，减少甚至避免欺诈交易的产生，保障客户的财产安全。

基于上述实施例提供的交易识别方法，本发明实施例还提供一种执行上述交易识别方法的装置，该装置的结构示意图如图5所示，包括：

信息获取模块10，用于响应目标客户当前发起的目标交易，获取目标客户的画像信息、以及目标交易当前的第一属性信息；

属性分析模块20，用于调取目标客户历史发起目标交易时的第二属性信息，并分析第一属性信息和第二属性信息间的属性差异程度；

欺诈识别模块30，用于根据属性差异程度和目标客户的画像信息，识别目标客户当前发起目标交易的欺诈性。

可选的，属性分析模块20执行分析第一属性信息和第二属性信息间的属性差异程度的过程，包括：

以目标交易为实体、以第一属性信息为边，构建目标客户的第一交易知识图谱；以目标交易为实体、以第二属性信息为边，构建目标客户的第二交易知识图谱；对比第一交易知识图谱和第二交易知识图谱计算属性差异程度。

可选的，目标客户历史发起多次目标交易，第二交易知识图谱为多个；

属性分析模块20执行对比第一交易知识图谱和第二交易知识图谱计算属性差异程度的过程，包括：

对多个第二交易知识图谱进行聚合处理，得到目标客户的平均交易知识图谱，平均交易知识图谱的实体为目标交易、边为第二属性信息的聚合结果；对比第一交易知识图谱和平均交易知识图谱计算第一属性差异程度。

可选的，属性分析模块20执行对比第一交易知识图谱和第二交易知识图谱计算属性差异程度的过程，还包括：

从多个第二交易知识图谱中筛选符合预设条件的目标交易知识图谱；对比第一交易知识图谱和目标交易知识图谱计算第二属性差异程度。

可选的，欺诈识别模块30执行根据属性差异程度和目标客户的画像信息，识别目标客户当前发起目标交易的欺诈性的过程，包括：

调取欺诈预测模型，欺诈预测模型是预先以目标交易被指定客户发起时的历史属性差异程度和指定客户的画像信息为样本，以对样本的欺诈预测结果趋近于欺诈标注结果为目标，对基础模型训练得到的；将属性差异程度和目标客户的画像信息输入至欺诈预测模型中，以获取欺诈预测模型所输出的欺诈概率；判断欺诈概率是否大于预设的概率阈值；若是，则确定存在欺诈；若否，则确定不存在欺诈。

可选的，欺诈识别模块30还用于：

在存在欺诈的情况下，向目标客户进行交易确认。

本发明实施例提供的交易识别装置，能够在目标客户每次发起交易时，即分析本次与历史发起交易时属性信息间的属性差异程度，由此即可确定目标客户与其交易习惯的差异，进而考虑目标客户的画像来准确识别当前交易的欺诈性，从而有效识别每次交易由本人正常发起。基于本发明，能够准确识别欺诈交易，减少甚至避免欺诈交易的产生，保障客户的财产安全。

基于上述实施例提供的交易识别方法，本发明实施例还提供一种电子设备，包括：至少一个存储器和至少一个处理器；存储器存储有程序，处理器调用存储器存储的程序，程序用于实现任意一项实施例的交易识别方法。

基于上述实施例提供的交易识别方法，本发明实施例还提供一种存储介质，存储介质中存储有计算机可执行指令，计算机可执行指令用于执行任意一项实施例的交易识别方法。

以上对本发明所提供的一种交易识别方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物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、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。