一种风控服务提供方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种风控服务提供方法及装置。

背景技术

随着黑灰产行业的犯罪手法、攻防技术的不断升级，黑灰商户和正常经营商户的分层识别难度不断加大，各平台为了提高风控能力，对原本的风控方案进行了升级。而风控力度的过度加强，会存在将正常交易识别为风险行为的可能性，导致推送的管控手段不合理的情况，影响用户体验。

发明内容

本发明的目的之一在于提供一种风控服务提供方法，该方法能够实现风险控制与用户体验之间的平衡，实现科学、重用户的风控体验。

根据上述发明目的，本说明书实施例提出了一种风控服务提供方法，应用于风控平台，包括：

获取目标商户在预设时间段内的历史经营行为数据；

将所述历史经营行为数据输入预训练的安全可信分评价模型，基于所述安全可信分评价模型的评价结果，确定所述目标商户当前的安全可信分；

基于所述安全可信分和所述目标商户的预设管控级别，确定低风险商户和高风险商户；

基于所述低风险商户的风险类别，向所述低风险商户发起预设的自主风险管理交互服务；并在所述低风险商户完成所述自主风险管理交互服务后，更新所述低风险商户的安全可信分；

基于所述高风险商户的所述历史经营行为数据，通过预训练的策略推荐模型，确定针对所述高风险商户的管控策略。

本说明书实施例中提出的风控服务提供方法通过评估安全可信分确定目标商户的风险情况，对已有风险趋势的目标商户进行教育提示和前置问题解决，促使目标商户主动参与自身风险管理，规避风险行为；对已发生风险行为的目标商户实施科学管控。

进一步地，在一些实施方式中，在基于所述安全可信分确定所述低风险商户和所述高风险商户之前，还包括：

基于所述目标商户的基础信息和经营行为数据，确定所述目标商户的行业类别；

基于所述行业类别，确定无风险商户；

将所述无风险商户从所述目标商户中剔除。

进一步地，在一些实施方式中，所述安全可信分评价模型采用以下方式预先训练得到，包括：

构建训练样本；所述训练样本包括正样本和负样本，所述正样本包括不同类型的正面经营行为数据，所述负样本包括不同类型的负面经营行为数据；

基于所述正面经营行为数据和所述负面经营行为数据的所述类型，设置相应的安全可信分作为标签；

用所述训练样本和所述标签，训练预先构建的分类模型，直至获得满足预设条件的所述安全可信分评价模型。

进一步地，在一些实施方式中，在所述低风险商户完成所述自主风险管理交互服务后，更新所述低风险商户的安全可信分，具体包括：

获取所述低风险商户在完成所述自主风险管理交互服务过程中的经营行为数据；

将所述经营行为数据输入所述安全可信分评价模型；

基于所述安全可信分评价模型的评价结果，更新所述低风险商户当前的安全可信分。

进一步地，在一些实施方式中，所述策略推荐模型采用以下方式预训练得到：

基于历史管控数据，确定管控策略集合；

针对所述管控策略集合中的每个管控策略，收集相应商户在被实施该管控策略前的第一经营行为数据，以及收集相应商户被实施该管控策略后的第二经营行为数据和相应商户对该管控策略的申诉数据；

基于所述第二经营行为数据，确定该管控策略的管控效果得分；

基于所述第二经营行为数据，确定环境信息；

基于所述管控效果得分和所述申诉数据，确定激励信号；

基于所述环境信息和所述激励信号进行强化学习，直至获得满足预设条件的所述策略推荐模型。

进一步地，在一些实施方式中，还包括：

在对所述高风险商户实施所述管控策略后，向所述高风险商户反馈管控提示信息，并在所述管控提示信息的展示页面中嵌入申诉渠道入口链接。

更进一步地，在一些实施方式中，所述管控提示信息用于描述所述高风险商户的经营风险行为类别；所述展示页面中嵌入的所述申诉渠道入口链接，用于指向所述经营风险行为类别对应的申诉渠道。

更进一步地，在一些实施方式中，还包括：

获取所述高风险商户通过所述申诉渠道提交的申诉材料；

基于预设的审核模型对所述申请材料中符合预审条件的材料进行预审核；

若预审核结果为不通过，则将不通过的审核内容反馈给所述高风险商户修改；

若预审核结果为通过，则将所述申诉材料转到人工审核节点继续审核。

进一步地，在一些实施方式中，还包括：

在对所述高风险商户执行所述管控策略后，通过预先设置在解控渠道中的节点获取所述高风险商户针对所述管控策略的解控行为数据；

基于发生所述解控行为数据的所述节点，确定所述高风险商户的解控行为路径；

基于所述解控行为路径与预设解控路径，确定所述解控行为路径上的用户体验障碍点。

本发明的另一目的在于提供一种风控服务提供装置，该装置提供的风控服务能够优化用户体验，实现风险控制与用户体验之间的平衡。

根据上述发明目的，本说明书实施例提出了一种风控服务提供装置，包括：

数据获取单元，配置为获取目标商户在预设时间段内的历史经营行为数据；

安全可信分模块，配置为将所述历史经营行为数据输入预训练的安全可信分评价模型，基于所述安全可信分评价模型的评价结果，确定所述目标商户当前的安全可信分；以及响应于所述目标商户完成预设的自主风险管理交互服务，更新所述目标商户的安全可信分；

风控策略生成模块，配置为基于所述安全可信分，确定低风险用户和高风险用户；基于所述低风险商户的风险类别，发起预设的自主风险管理交互任务；基于所述高风险商户的所述历史经营行为数据，通过策略推荐模型确定针对所述高风险商户的管控策略，并发起高风险风控任务；

风控引擎，配置为响应于所述自主风险管理交互任务，向所述低风险商户提供预设的自主风险管理交互服务；以及响应于所述高风险风控任务，对所述高风险用户实施所述管控策略。

本说明书实施例还提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如上风控服务提供方法中任一所述的方法。

本说明书实施例还提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上风控服务提供方法中任一项所述的方法。

本说明书实施例所述的风控服务提供方法的有益效果在于通过评估安全可信分确定目标商户的风险情况，对已有风险趋势的目标商户进行教育提示和前置问题解决，促使目标商户主动参与自身风险管理，规避风险行为；对已发生风险行为的目标商户实施科学管控，将管控提示信息直接、有效地传递给风险商户，并提供申诉渠道和申诉材料预审核环节，从而提升商家管控信息可理解性与申诉链路流畅性，实现基于商户价值、管控手段推荐各异的申诉方案，提高了风控事后服务的效率。另外，对高风险商户执行管控策略后获取解控行为路径进行分析，能够还原目标商户的风控体验障碍点，实现针对管控策略的评价反馈数据化运营。

本说明书实施例所述的风控服务提供装置同样具有上述有益效果。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图是本说明书的一些实施例，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示例性地示出了本说明书一个或多个实施例提供的一种风控服务系统的结构示意图。

图2示例性地示出了本说明书一个或多个实施例提供的一种风控平台的结构示意图。

图3示例性地示出了本说明书一个或多个实施例所述的风控服务提供方法在一种实施方式下的流程示意图。

图4示例性地示出了本说明书一个或多个实施例所述的策略推荐模型训练方法在一种实施方式下的流程示意图。

图5示例性地示出了本说明书一个或多个实施例所述的风控服务提供方法中的审核方法在一种实施方式下的流程示意图。

图6示例性地示出了本说明书一个或多个实施例所述的风控服务提供装置在一种实施方式下的结构框图。

图7示例性地示出了本说明书实施例提供的一种电子设备的结构图。

具体实施方式

首先，本领域技术人员可以理解，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

随着科技的进步与互联网的普及，在各行业商户规模日渐扩大的趋势下，通过提高商户所在平台的风控能力和实施合适的管控方式来打击不法行为、维持平台秩序，是平台应尽的责任。对于风险控制方案，寻求风险控制与用户体验的平衡点至关重要。若过度加强风控，例如添加多重用户身份核审环节，将会影响用户体验，导致用户的支付欲望消减，降低支付成功率，从而影响平台的发展。

而在商家收款等场景中，由于黑灰商户利用非正常手段谋取利益的技术不断更新，区分黑灰商户和正常经营商户的难度加大，通过自动识别商户风险行为确定风险管控方法容易产生因风险判断不准确而管控不合理的情况，影响正常商户的经营，且据此确定的管控方法较为强制，针对具体的风险商户缺乏适用性，导致用户体验大打折扣。

另一方面，商户被管控后，平台所展示的申诉页面引导与实际能够处理问题的服务阵地之间存在跳转与断点情况，需要更直接、更流畅的事后服务方案；而在服务阵地中所告知的风控信息需要更加详细，例如提供产生风险的原因或者管控过程中限制商户使用的功能等。此外，以商户收款场景为例，由于缺乏与支付系统的数据交换过程，风险页面出现在付款方终端上，导致商户无法及时接收到风险提示信息。因此，对商户进行风险管控后的事后服务方案也需要进一步完善。

有鉴于此，本说明书的一个或多个实施例提出一种风控服务提供方法，对风控决策、管控前主动触达、管控后实时引导、服务阵地建设等方面进行优化，以在风险控制与用户体验之间达到平衡，在提前规避风险的同时，及时告知风险商户的管控原因，并为风险商户提供有效的申诉入口。

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。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

本发明的一个或多个实施例提供了一种风控服务提供方法。请参考图1，图1以商户收款场景为例，示例性的显示了一种风控服务系统，可以用于部署风控平台以实现该风控服务提供方法。需要说明的是，本申请的一个或多个实施例所述的风控服务提供方法，可以依赖图1所示的风控服务系统实现，但不限于该风控服务系统。

如图1所示，风控服务系统包括风控平台10和收款方20，其中，收款方20包括收款终端22和服务器24。收款终端22通过通信链路分别与风控平台10和服务器24连接，所述通信链路可以为有线网络，也可以是无线网络。例如，收款终端22可以采用WIFI、蓝牙、红外等通信方式与风控平台10和/或服务器24建立通信连接。或者，收款终端22也可以通过移动网络与风控平台10和/或服务器24建立通信连接，其中，移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax等中的任意一种。

图2示例性地示出了本说明书一个或多个实施例提供的一种风控平台的结构示意图。

如图2所示，风控平台10包括风控决策层12、实时交互层14、事后服务层16和评价反馈层18，分别通过优化风控决策、管控前自主风险管理、管控后服务阵地建设以及量化评价反馈机制，用于评估收款方商户的经营活动风险性，识别风险行为并实施风险管控。风险平台10可以在风控服务系统中实现，其通过与收款方20通信实现数据交换，实时传达管控提示信息，使有风险的目标商户及时发现并解除风险。本实施例中，并不限制风控平台10的实现形态，例如，风控平台10可以部署在单个的服务器中，也可以部署于由多个服务器组成的服务器集群，风控平台10还可以部署在云服务器中，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品。

收款方20由收款终端22和对应的服务器24组成。收款终端22可以是手机、笔记本、平板电脑等移动终端，其中安装了平台提供的前端app，用于进行支付、收款等交易活动，所涉及到的技术载体包括但不限于近场通信(NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短信息(SMS)、多媒体消息(MMS)等。

收款终端22对应的服务器24用于记录并存储目标商户交易时所产生的数据，必要时将这些数据传输给风控平台。该服务器24可以是任何具有计算、处理能力的装置、设备、平台、设备集群，其可以是单个的服务器，也可以是由多个服务器组成的服务器集群。

上述风控服务系统在实现本实施例所述的风控服务提供方法时，风控平台10中的风控决策层12通过收款方20的服务器24获取目标商户在预设时间段内的历史经营行为数据，并评估该目标商户的风险性；若确定为低风险商户，则风控平台10的实时交互层14提供自主风险管理交互服务促使目标商户自主降低风险；若确定为高风险商户，则风控平台10利用其风控决策层12决策出的管控策略对目标商户的相关功能进行限制，例如，风控平台10对目标商户的收款功能加以限制，不仅将支付拦截报错信息传输至付款方的用户终端，还通过事后服务层16将支付拦截报错信息传输至收款方20的服务器24中后，再由服务器24传递到收款终端22中，从而打通风险平台与支付系统，使作为收款方20的目标商户实时收到风险管控提示，以便进入事后服务层16的申诉环节和审核环节解除风险。在风险解除过程中，风控平台10中的评价反馈层18通过在目标商户的解控路径上埋点建设用户路径动线大图，以抓取解控环节中遇到的阻碍情况，对风控决策层12决策出的管控策略进行量化评价与反馈。

对应于上述风控服务系统，在一些实施例中，本说明书提供了一种风控服务提供方法，该方法应用于风控平台。请参考图3，该方法包括以下步骤：

S100：获取目标商户在预设时间段内的历史经营行为数据。

为了获取更有代表性的目标商户的历史经营行为数据，使其能够描述尽可能多的商户经营情况，预设时间段的区间不宜过短，同时也应该考虑存储成本和运算速率，选取合适的预设时间段。

目标商户的历史经营行为数据可以反映商户的收款行为、经营类别、买家反馈等信息，有助于还原目标商户的真实经营场景，基于多元、客观的数据更准确地对目标商户的风险性和可信度进行评估。能反映目标商户收款行为的数据包括但不限于收款产品信息、收款方式、单次收款数额、收款频次、每日营业额等，可以从收款终端对应的服务器中获取这些与收款行为有关的数据。另外，目标商户的历史经营行为数据还可以包括买家LBS聚集情况，能够反映主要的经营地点和受众地理位置分布；商家异常操作序列，能够通过对商家日常经营行为的监测，记录例如异常大额交易、巡检质量不合格等异常行为。

S102：将历史经营行为数据输入预训练的安全可信分评价模型，基于安全可信分评价模型的评价结果，确定目标商户当前的安全可信分。

安全可信分能够反映目标商户经营活动的安全性和可信度，安全可信分越高，则目标商户发生不法行为等风险事件的可能性越小，目标商户为黑灰商户的概率也越低，收款方与付款方的交易环境相对来说较安全；而如果安全可信分较低，则目标商户存在较强的发生风险的趋势，甚至已经识别出了不法行为造成的风险，为了避免交易双方的资金和个人信息等资源受到损失，需要尽快采取措施降低风险或者立即实施风险管控策略。

目标商户的历史经营行为数据可以分为正面经营行为数据和负面经营行为数据，通过分析商户的负面经营行为数据，可以获得的信息包括但不限于商户经营状况、异常行为以及外部评价。其中，商户经营状况信息可以包括是否产生过交易纠纷，比如收款金额与约定的不符、重复收款、商品或者服务与描述的严重不符致使消费者投诉等等，安全可信分评价模型根据纠纷严重程度来评估安全可信分，以识别黑灰商户通过在交易方式中做手脚获取非法利益的情况；还可以包括目标商户所经营的商品是否属于禁售商品或者限售商品，限售商品是否按照相关规定销售，目标商户在宣传过程中是否存在虚假营销现象，以及目标商户与平台签约后是否存在不按规定履约等不诚信的情况；再比如，对目标商户的底线风险展开排查，并获取相关的消费者投诉情况，安全可信分评价模型据此估计目标商户的风险承受能力，从而评估目标商户的安全可信分。

另一方面，也可以根据商户异常行为评估安全可信分，比如检测商户交易场景中是否存在异常交易(例如大额交易)以及异常交易的频率和数额；还比如目标商户在年检和/或巡检时所提交的资质材料的质量以及检查结果，资质材料的真实性和有效性影响检查结果；再比如通过相关算法抓取目标商户的行为序列，例如抓取进货、加工、宣传、销售等环节中目标商户的行为，进而通过全流程遍历识别异常行为。

此外，目标商户的历史经营行为数据中还可以包括外部评价信息，基于此可以较客观地进行安全可信分评估。例如，可以通过网络舆情获取消费者对目标商户的评价情况，从中提取并统计负面评价的数量，安全可信分评价模型根据负面评价的数量以及内容质量进行评估；还比如，可以从监管部门处获取其接收到的针对目标商户的投诉情况，从消费者角度客观地评估目标商户在经营过程中可能存在的风险。需要说明的是，从网络或者监管部门等处获取的外部数据不排除有恶意抹黑目标商户的可能，因此需要有挑选地分析外部数据。

目标商户的正面经营行为数据可以包括目标商户主动参与自身风控管理的情况以及外部的正面评价等信息。例如，若目标商户具备风险预防的意识，为了能够及时预防风险，通过积极上传自身经营资质材料、真实经营情况图片或视频提前预估风险，则安全可信分评价模型将基于这类正面经营行为数据给出较高的安全可信分。另外，从网络舆情、监管部门等外部群体的反馈情况中也可以得到较客观的正面经营行为数据。

在一些实施例中，安全可信分评价模型采用以下方式预先训练得到，包括：

构建训练样本，包括正样本和负样本，正样本包括不同类型的正面经营行为数据，负样本包括不同类型的负面经营行为数据；

基于正面经营行为数据和负面经营行为数据的类型，设置相应的安全可信分作为标签；

用训练样本和标签，训练预先构建的分类模型，直至获得满足预设条件的安全可信分评价模型。

基于上述正面经营行为数据和负面经营行为数据的不同类型，以及各类型事项发生的频率，来较合理地设置安全可信分标签。将训练样本输入预先构建的分类模型后，得到安全可信分评价结果，计算其与安全可信分标签之间的差距，以安全可信分评价结果与安全可信分标签之间的差距最小化为目标训练安全可信分评价模型。

在一些更具体的实施例中，可以基于CNN或者RNN网络的结构构建安全可信分评价模型。

通过确定目标商户当前的安全可信分，可以划分目标商户的风险高低性。从而基于风险性的高低为目标商户安排不同的风控服务，最终都是为了能够降低风险或者解除风险，规避用户的利益损失。

S104：基于安全可信分，确定低风险商户和高风险商户。

在一些实施例中，在基于安全可信分确定低风险商户和高风险商户之前，还包括：

基于目标商户的基础信息和经营行为数据，确定目标商户的行业类别；

基于行业类别，确定无风险商户；

将无风险商户从目标商户中剔除。

换句话说，在确定目标商户的风险类型前，先制定经营真实性和安全性有保障的商户白名单；白名单中的商户包括但不限于学校、医院等公立组织，平台合作的商户中经营规模和流量具备极大优势的KA商户(重点商户)，以及一些特殊行业资质等，该类白名单商户发生的风险概率较低或者抗风险能力较强，很大程度上不需要风控服务，可以通过确认目标商户的行业类别来进行分类，从而避免强制性风控，优化用户体验和办事效率。

目标商户的基础信息可以由目标商户与平台签约时提供的基础信息数据获得，以作为真实性保障与目标商户的经营行为数据进行核对并融合分析，还原目标商户真实经营场景以识别其中隐藏的风险。其中，目标商户与平台签约时的基础信息包括但不限于操作环境信息、签约产品内容、经营商户类别码(MCC码)等，MCC码用于标识交易环境以及目标商户的主营范围和行业类别，是相关交易机构进行风险管理和交易控制的重要信息，且目标商户的MCC码必须与其主营行业类别一致。目标商户的经营行为数据包括但不限于目标商户的收款行为、经营类别、买家反馈，由于在上述步骤S100中说明过经营行为数据的内容，相关之处相互参照即可，在此不再赘述。

通过上述多元、客观的目标商户数据，来刻画无偏、准确的经营真实性重点保障白名单，能够精确识别白名单商家并剔除出风控范围，在风控决策时避免实施平台强限制类管控从而导致不必要的资源损耗，优化商户经营体验。

基于安全可信分，可以预先设置安全可信分阈值，用于划分低风险商户和高风险商户。比如，可以将安全可信分阈值设置为60分，若目标商户的安全可信分低于60分，则确定为高风险商户，即已经出现了较严重的风险行为，需要实施风险管控策略；将安全可信分为60-80分的商户确定为低风险商户，表示有风险趋势或者风险较小的目标商户，可以采取一些预防策略规避风险；高于80分的商户则被认定为当前无风险的商户，可以正常进行经营活动。

S106：基于低风险商户的风险类别，向低风险商户发起预设的自主风险管理交互服务；并在低风险商户完成自主风险管理交互服务后，更新低风险商户的安全可信分。

自主风险管理交互服务重点解决的是有风险趋势的低风险商户的教育提示与前置校验问题。基于目标商户的安全可信分，用大数据重构出商户风险信用体系，同时将此分数值告知给授权的目标商户，针对安全可信分值较低但无严重风险的商户推送风险管理交互服务，例如高危行为安全教育、交互视频采集、法人核身校验等。目标商户针对具体的风险类别，通过主动接受安全教育，或者配合上传经营视频核验、法人信息核验等措施与风控平台进行交互，自主提高安全可信分以进行风险管理，直至将安全可信分值提高至健康值时，目标商户对应的风控处罚可能性会降低，因此可以放心地进行正常经营活动；反之，若目标商户不通过交互服务自主管理风险，让安全可信分维持在较低的值，目标商户受到风控处罚的可能性会提高。

通过建立目标商户的安全可信分，可以培养目标商户维护安全可信分的意识，使目标商户感知风险行为并主动采取措施规避风险行为。在提高目标商户安全意识的同时，风控平台连续监测目标商户的风险状况，促使目标商户自主参与自身风险管理，使目标商户在风险管控过程中拥有主动性，而不是在被捕捉到风险行为后，被动地接受平台管控和处置。

在一些实施例中，在低风险商户完成自主风险管理交互服务后，更新低风险商户的安全可信分，具体包括：

获取低风险商户在完成自主风险管理交互服务过程中的经营行为数据；

将经营行为数据输入安全可信分评价模型；

基于安全可信分评价模型的评价结果，更新低风险商户当前的安全可信分。

如上所述的，低风险商户在完成自主风险管理交互服务过程中的经营行为数据可以包括高危行为安全教育、交互视频采集、法人核身校验等正面经营行为数据，针对不同类型的正面经营行为，目标商户的完成度越高，则安全可信分评价模型的评价结果也越高。例如，目标商户可以通过视频学习与测试题结合的方式进行高危行为安全教育，视频观看时长越多或者测试题得分越高，则获得的安全可信分越高；再比如，目标商户通过上传经营视频进行风险核验，然而如果目标商户采集的视频有时长过短或者画面模糊等质量问题，导致难以识别真实的经营状况，则对安全可信分更新的作用有限。

通过目标商户进行自主风险管理交互服务更新安全可信分，可以使目标商户的风险性和安全性“可见”，其风险性和安全性的变化也更加透明，改善了目标商户在风险管控面前的被动性，而拥有充足的心理准备和应对时间来面对风险管控。

S108：基于高风险商户的历史经营行为数据，通过策略推荐模型确定针对高风险商户的管控策略。

策略推荐模型用于根据采集到的高风险目标商户的经营数据识别并分析存在的风险类别，从而决策出合适的风险管控策略；其输入为高风险目标商户的历史经营行为数据(包括但不限于收款行为、经营类别、买家反馈等数据)，输出对应的管控策略。

在一些实施例中，策略推荐模型采用以下方式预训练得到：

S200：基于历史管控数据，确定管控策略集合。

历史管控数据可以包括被实施过风险管控的高风险商户的特征以及风控平台针对不同情况的高风险商户所决策出来并实施的管控方法，既可以通过检索风控平台所在的服务器获取历史管控数据，也可以从其他相关服务器中调取数据，也可以从云服务器中搜索相关管控数据。

管控策略由具体的管控动作和动作周期组成，不同的管控策略可以体现为管控动作和动作周期的不同组合；其中，管控动作包括但不限于对相应商户的某些功能进行限制，例如收款功能、店铺上新功能等。管控策略可以是同一种管控动作以不通过的动作周期实施，比如限制相应商户的收款功能三天或者一周；也可以是在同一周期内实施不同的管控动作；当然也可以是不同的管控动作在不同的动作周期内实施。

S202：针对管控策略集合中的每个管控策略，收集相应商户在被实施该管控策略前的第一经营行为数据，以及收集相应商户被实施该管控策略后的第二经营行为数据和相应商户对该管控策略的申诉数据。

相应商户的第一经营行为数据反映的是管控前尚存在风险的经营行为，第二经营行为数据则能够直接反映实施管控策略后相应商户的风险情况，具体可以表现为管控后相应商户再发生风险的概率，从而体现对应的管控策略的管控效果。申诉数据包含了相应的目标商户对管控策略的评价与反馈，尤其是相应商户对于管控策略的不合理之处所提出的申诉；甚至可能因为误判风险类别导致实施了错误的管控策略，影响商户的正常经营和风控体验，致使相应商户提出申诉。

S204：基于第二经营行为数据，确定该管控策略的管控效果得分。

第二经营行为数据包括但不限于实施管控策略后相应商户的收款行为、经营类别、买家反馈等数据。在一些具体的实施例中，可以采用通用的方法先对第二经营行为数据进行特征提取，与以同样方法从第一经营行为数据中提取出的特征进行比对，从而通过比对结果反映该管控策略的管控效果，确定管控效果得分。管控效果得分越高，则表示该管控策略的管控效果越好。

S206：基于第二经营行为数据，确定环境信息。

环境信息为强化学习过程中不可或缺的数据，用于反映管控策略的管控效果，以促进策略推荐模型的更新与学习，生成更科学有效的管控策略。

S208：基于管控效果得分和申诉数据，确定激励信号。

在一些实施例中，激励信号具体包括奖励信号和惩罚信号。

由于管控效果得分在一定程度上能够反映该管控策略的效果，当管控效果得分较高时，可以确定奖励信号，以标记有效的、可供学习的管控策略参数；而当管控效果得分较低时，说明该管控策略的管控效果有限，后续的模型学习过程中不用再针对该管控策略进行学习，尤其当该管控策略由于误判风险从而对相应商户进行了错误管控，致使商户提出申诉时，管控效果得分相应的会更低，因此可以确定惩罚信号，提醒策略推荐模型减少此类错误发生。

激励信号的确定有助于策略推荐模型更新的过程中参考并学习历史数据，生成更有效的、更有针对性的管控策略，以提升策略推荐模型的训练效率，优化商户的风控体验。

S210：基于环境信息和激励信号进行强化学习，直至获得满足预设条件的策略推荐模型。

强化学习为智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的机制；智能体可以是硬件，比如机械，也可以是软件，比如计算机程序。在本说明书实施例中，策略推荐模型可以是分类模型，针对每轮训练过程，由策略推荐模型针对相应高风险商户的特征，预测对其实施不同的管控策略后对应的管控效果，该管控效果可以基于环境信息和激励信号来评估；经过管控效果比对选出效果最好的管控策略进行学习，生成新的管控策略；重复上述步骤对策略推荐模型进行若干轮更新，在一次次学习中加强所生成的管控策略的合理性，直至获得满足预设条件的策略推荐模型，完成策略推荐模型的训练。

在一些实施例中，满足预设条件的策略推荐模型可以通过为管控效果得分预设分数阈值来获得，若策略推荐模型为不同的商户生成的管控策略实施后获得的管控效果得分能够稳定地高于该分数阈值，则可以结束对策略推荐模型的训练，得到能够科学决策的策略推荐模型。

在一些更具体的实施例中，策略推荐模型可以基于MLP网络结构构建，所采用的强化学习方法可以是PPO强化学习法。

经过预先训练的策略推荐模型根据高风险商户的历史经营行为数据推荐出至少一个相应的管控策略，并分别预测实施管控策略后的管控效果以及用户体验效果，以量化的形式对各管控策略进行评价，从而选出最符合管控预期的管控策略，以确定为该高风险商户实施。该策略推荐模型既考虑风险控制结果，又兼顾用户的反馈，最终能够较好地实现风控和用户体验之间的平衡。

在一些实施例中，可以采用abtest方法进行管控策略的决策，即针对不同的管控策略，通过随机流量分别实施，再分别评估各管控策略的实际管控效果和用户体验效果，并进行比对，从而以实践的方式科学决策出更有效的管控策略。

在一些实施例中，在对高风险商户实施管控策略后，向高风险商户反馈管控提示信息，并在管控提示信息的展示页面中嵌入申诉渠道入口链接。

在一些更具体的实施例中，管控提示信息用于描述高风险商户的经营风险行为类别；展示页面中嵌入的申诉渠道入口链接，用于指向经营风险行为类别对应的申诉渠道。

在向高风险商户反馈管控提示信息时，能够实现实时的服务链路引导。首先通过打通风控平台所在的系统以及其他相关系统交换数据，使商户被管控后能与风控平台进行风险信息的实时动态交互，得知具体的被管控的功能以及管控原因等信息。接着通过将申诉渠道入口链接嵌入管控提示信息的展示页面，实现风控服务的实时引导，减少商户寻找申诉渠道的难度以及申诉路径上的跳转和断点，从而在提高申诉效率效率的同时优化了用户体验。

以商户收款场景为例，比如扫码支付、转账、红包、线上购物等支付场景中，风控平台对高风险目标商户的收款功能加以限制，不仅将支付拦截报错信息传输至付款方的用户终端，风控平台还将支付拦截报错信息传输至收款方，从而打通风险平台与支付系统，使作为收款方的目标商户实时收到风险管控提示，以便进入申诉环节和审核环节自主解除风险。

在一些实施例中，风控平台将高风险目标商户引导至安全服务阵地进行申诉。在安全服务阵地中，结构化地展示出了对目标商户的处置记录，包括平台限制类型、管控原因、管控周期等管控信息，能够降低被管控的目标商户的理解成本，实现风控环节透明化。另外，对于已经提交申诉请求、进入申诉流程的目标商户，安全服务阵地将在特定页面展示申诉问题处理时效、审核资料驳回原因以及要求等信息，从而加强申诉流程的流程性和申诉通过率。

在申诉过程中，目标商户需要根据要求提交例如营业执照、店铺招牌、法人身份信息等能够证明其经营合法性的申诉材料，材料的形式包括但不限于文本、图片和文件等，上传后进入审核系统进行审核，可以采用人工审核的方式，也可以将智能审核与人工审核结合。

在一些实施例中，还提供商户自助申诉渠道，以考虑到风险浓度较低的商户或者混合经营商户等特殊商户，通过拓展交互智能视频核查经营场景、视频承诺规范经营等多种动态交互申诉手段，实现基于商户特征各异的申诉方案。

图5示例性地示出了本说明书一个或多个实施例所述的风控服务提供方法中的审核方法在一种实施方式下的流程示意图。

在一些实施例中，请参考图5，目标商户进行申诉后还包括：

S300：获取高风险商户通过申诉渠道提交的申诉材料；

S302：基于预设的审核模型对申请材料中符合预审条件的材料进行预审核；

S304：若预审核结果为不通过，则将不通过的审核内容反馈给高风险商户修改；

S306：若预审核结果为通过，则将申诉材料转到人工审核节点继续审核。

高风险商户提交的申诉材料应包括至少一张申诉图片，例如营业执照、店铺招牌或者法人身份证等能够证明其经营资质合规性以及经营活动真实性的资质材料，以供审核系统根据监管要求和风控需求，对商户资质进行真实性、完整性以及有效性审核，包括但不限于商户资质是否是伪造或冒用他人资质，相关证件例如营业执照是否在可用期限内，商户提供的资质材料是否完整。

可选地，预审核流程包括但不限于图片质量预审核、图片类型预审核、图片文本预审核、图标预审核等子流程以及上述子流程的任意合适的组合。通过图片质量预审核对提交的图片进行质量评价，可以检测出例如残缺、过曝、模糊等图片质量问题，将该问题反馈给高风险商户，引导其重新上传质量合规的图片。图片类型预审核针对高风险商户是否在正确的位置上传了图片进行审核，当在一些申诉方案中需要上传多张不同类型的图片时，若图片类型上传错误，也会导致审核不通过，例如在营业执照上传处提交了法人身份证图片。图片文本预审核通过OCR文本识别获取高风险商户上传的图片中的文本内容信息，以营业执照为例，可以识别到其中的商户名称、商户类型、商户地址、法人、营业期限、经营范围、登记单位等信息，通过与下发并管理该营业执照的第三方权威机构的数据库中记录的商户信息进行核对，能够确定营业期限是否到期、营业执照是否已注销或者被吊销、法人是否一致来确定营业执照是否具备有效性等核对结果，从而确定预审核是否通过。而图标预审核通过图标采集、特征提取以及特征匹配判断图片是否与预设的模板一致，例如对于同类型商户的营业执照中的公章，其位置和大小都相似。

当预审核不通过时，审核系统将会驳回原因以及要求详细地展示给高风险商户，以引导高风险商户修改后重新提交申诉材料，提高审核通过率。若出现多次预审核不通过的情况，审核系统将直接安排人工审核环节。

通过智能预审核与人工审核结合的方式能够覆盖人工审核无法支持的审核点，实时反馈申诉材料中存在的风险，并帮助受管控的高风险商户更快恢复经营开展，提高整体审核效率的同时保证了良好的用户体验，另一方面还能解决人力审核成本，降本增效。

在一些实施例中，在对高风险商户执行管控策略后，通过预先设置在解控渠道中的节点获取高风险商户针对管控策略的解控行为数据；基于发生解控行为数据的节点，确定高风险商户的解控行为路径；基于解控行为路径与预设解控路径，确定解控行为路径上的用户体验障碍点。

预先设置在解控渠道中的节点用于采集高风险商户在实施管控策略过程中涉及到的数据，这些数据包括例如风险数据、服务引导数据、商户行为数据、申诉数据等多模态多来源的解控行为数据。通过在解控渠道的各个环节中埋下节点，可以融合多种数据还原高风险商户的解控行为路径，建设商户路径动线大图，从而能清晰地展现解控全链路上商户在申诉、审核等各个环节的执行情况与障碍点情况，与预设的能够顺利解控的理想路径进行比对，以检测高风险商户的解控行为是否合理，还能获得出现阻碍用户体验障碍点对应的具体环节从而对症下药。针对检测出的用户体验障碍点可以进一步优化风控系统，从而实现商户的风控体验反馈数据化运营。

本说明书一个或多个实施例提供的风控服务提供方法通过评估安全可信分确定目标商户的风险情况，对已有风险趋势的目标商户进行教育提示和前置问题解决，促使目标商户主动参与自身风险管理，规避风险行为；对已发生风险行为的目标商户实施科学管控，将管控提示信息直接、有效地传递给风险商户，并提供申诉渠道和预审核环节，从而提升商家管控信息可理解性与申诉链路流畅性，实现基于商户价值、管控手段推荐各异的申诉方案，提高了风控事后服务的效率。另外，对高风险商户执行管控策略后获取解控行为路径进行分析，能够还原目标商户的风控体验障碍点，实现针对管控策略的评价反馈数据化运营。

在本说明书的另一个实施例中，提出了一种风控服务提供装置。图6示例性地示出了本说明书一个或多个实施例所述的风控服务提供装置在一种实施方式下的结构框图。

如图6所示，包括：

数据获取单元40，配置为获取目标商户在预设时间段内的历史经营行为数据；

安全可信分模块42，配置为将所述历史经营行为数据输入预训练的安全可信分评价模型，基于所述安全可信分评价模型的评价结果，确定所述目标商户当前的安全可信分；以及响应于所述目标商户完成预设的自主风险管理交互服务，更新所述目标商户的安全可信分；

风控策略生成模块44，配置为基于安全可信分，确定低风险用户和高风险用户；基于低风险商户的风险类别，发起预设的自主风险管理交互任务；基于高风险商户的历史经营行为数据，通过策略推荐模型确定针对高风险商户的管控策略，并发起高风险风控任务；

风控引擎46，配置为响应于自主风险管理交互任务，向低风险商户提供预设的自主风险管理交互服务；以及响应于高风险风控任务，对高风险用户实施管控策略。

为了数据获取单元获取更有代表性的目标商户的历史经营行为数据，使其能够描述尽可能多的商户经营情况，预设时间段的区间不宜过短，同时也应该考虑存储成本和运算速率，选取合适的预设时间段。目标商户的历史经营行为数据可以反映商户的收款行为、经营类别、买家反馈等信息，有助于还原目标商户的真实经营场景，基于多元、客观的数据更准确地对目标商户的风险性和可信度进行评估。能反映目标商户收款行为的数据包括但不限于收款产品信息、收款方式、单次收款数额、收款频次、每日营业额等，数据获取单元可以从收款终端对应的服务器中获取这些与收款行为有关的数据。另外，目标商户的历史经营行为数据还可以包括买家LBS聚集情况，能够反映主要的经营地点和受众地理位置分布；商家异常操作序列，能够通过对商家日常经营行为的监测，记录例如异常大额交易、巡检质量不合格等异常行为。

安全可信分能够反映目标商户经营活动的安全性和可信度，安全可信分越高，则目标商户发生不法行为等风险事件的可能性越小，目标商户为黑灰商户的概率也越低，收款方与付款方的交易环境相对来说较安全；而如果安全可信分较低，则目标商户存在较强的发生风险的趋势，甚至已经识别出了不法行为造成的风险，为了避免交易双方的资金和个人信息等资源受到损失，需要尽快采取措施降低风险或者立即实施风险管控策略。

目标商户的历史经营行为数据可以分为正面经营行为数据和负面经营行为数据，通过分析商户的负面经营行为数据，可以获得的信息包括但不限于商户经营状况、异常行为以及外部评价。其中，商户经营状况信息可以包括是否产生过交易纠纷，比如收款金额与约定的不符、重复收款、商品或者服务与描述的严重不符致使消费者投诉等等，安全可信分模块根据纠纷严重程度来评估安全可信分，以识别黑灰商户通过在交易方式中做手脚获取非法利益的情况；还可以包括目标商户所经营的商品是否属于禁售商品或者限售商品，限售商品是否按照相关规定销售，目标商户在宣传过程中是否存在虚假营销现象，以及目标商户与平台签约后是否存在不按规定履约等不诚信的情况；再比如，对目标商户的底线风险展开排查，并获取相关的消费者投诉情况，安全可信分模块据此估计目标商户的风险承受能力，从而评估目标商户的安全可信分。

另一方面，安全可信分模块也可以根据商户异常行为评估安全可信分，比如检测商户交易场景中是否存在异常交易(例如大额交易)以及异常交易的频率和数额；还比如目标商户在年检和/或巡检时所提交的资质材料的质量以及检查结果，资质材料的真实性和有效性影响检查结果；再比如通过相关算法抓取目标商户的行为序列，例如抓取进货、加工、宣传、销售等环节中目标商户的行为，进而通过全流程遍历识别异常行为。

此外，目标商户的历史经营行为数据中还可以包括外部评价信息，基于此可以较客观地进行安全可信分评估。例如，可以通过网络舆情获取消费者对目标商户的评价情况，从中提取并统计负面评价的数量，安全可信分评价模型根据负面评价的数量以及内容质量进行评估；还比如，可以从监管部门处获取其接收到的针对目标商户的投诉情况，从消费者角度客观地评估目标商户在经营过程中可能存在的风险。需要说明的是，从网络或者监管部门等处获取的外部数据不排除有恶意抹黑目标商户的可能，因此需要有挑选地分析外部数据。

目标商户的正面经营行为数据可以包括目标商户主动参与自身风控管理的情况以及外部的正面评价等信息。例如，若目标商户具备风险预防的意识，为了能够及时预防风险，通过积极上传自身经营资质材料、真实经营情况图片或视频提前预估风险，则安全可信分模块将基于这类正面经营行为数据给出较高的安全可信分。另外，从网络舆情、监管部门等外部群体的反馈情况中也可以得到较客观的正面经营行为数据。

在一些实施例中，安全可信分模块中的安全可信分评价模型采用以下方式预先训练得到，包括：

构建训练样本，包括正样本和负样本，正样本包括不同类型的正面经营行为数据，负样本包括不同类型的负面经营行为数据；

基于正面经营行为数据和负面经营行为数据的类型，设置相应的安全可信分作为标签；

用训练样本和标签，训练预先构建的分类模型，直至获得满足预设条件的安全可信分评价模型。

基于上述正面经营行为数据和负面经营行为数据的不同类型，以及各类型事项发生的频率，来较合理地设置安全可信分标签。将训练样本输入预先构建的分类模型后，得到安全可信分评价结果，计算其与安全可信分标签之间的差距，以安全可信分评价结果与安全可信分标签之间的差距最小化为目标训练安全可信分评价模型。

在一些更具体的实施例中，可以基于CNN或者RNN网络的结构构建安全可信分评价模型。

安全可信分模块通过确定目标商户当前的安全可信分，可以划分目标商户的风险高低性。从而基于风险性的高低为目标商户安排不同的风控服务，最终都是为了能够降低风险或者解除风险，规避用户的利益损失。

自主风险管理交互服务重点解决的是有风险趋势的低风险商户的教育提示与前置校验问题。安全可信分模块用大数据重构出商户风险信用体系，同时将此分数值告知给授权的目标商户，由风控策略生成模块针对安全可信分值较低但无严重风险的商户推送风险管理交互服务，并通过风控引擎执行，例如高危行为安全教育、交互视频采集、法人核身校验等。目标商户针对具体的风险类别，通过主动接受安全教育，或者配合上传经营视频核验、法人信息核验等措施与风控引擎进行交互，自主提高安全可信分以进行风险管理，直至将安全可信分值提高至健康值时，目标商户对应的风控处罚可能性会降低，因此可以放心地进行正常经营活动；反之，若目标商户不通过交互服务自主管理风险，让安全可信分维持在较低的值，目标商户受到风控处罚的可能性会提高。

通过建立目标商户的安全可信分，可以培养目标商户维护安全可信分的意识，使目标商户感知风险行为并主动采取措施规避风险行为。在提高目标商户安全意识的同时，风控引擎连续监测目标商户的风险状况，促使目标商户自主参与自身风险管理，使目标商户在风险管控过程中拥有主动性，而不是在被捕捉到风险行为后，被动地接受管控和处置。

在一些实施例中，安全可信分模块具体包括：

获取低风险商户在完成自主风险管理交互服务过程中的经营行为数据；

将经营行为数据输入安全可信分评价模型；

基于安全可信分评价模型的评价结果，更新低风险商户当前的安全可信分。

如上所述的，低风险商户在完成自主风险管理交互服务过程中的经营行为数据可以包括高危行为安全教育、交互视频采集、法人核身校验等正面经营行为数据，针对不同类型的正面经营行为，目标商户的完成度越高，则安全可信分模块的评价结果也越高。

在一些实施例中，风控策略生成模块在基于安全可信分确定低风险商户和高风险商户之前，还包括：

风控策略生成模块基于目标商户的基础信息和经营行为数据，确定目标商户的行业类别；

基于行业类别，确定无风险商户；

将无风险商户从目标商户中剔除。

换句话说，在确定目标商户的风险类型前，先制定经营真实性和安全性有保障的商户白名单；白名单中的商户包括但不限于学校、医院等公立组织，平台合作的商户中经营规模和流量具备极大优势的KA商户(重点商户)，以及一些特殊行业资质等，该类白名单商户发生的风险概率较低或者抗风险能力较强，很大程度上不需要风控服务，可以通过确认目标商户的行业类别来进行分类，从而避免强制性风控，优化用户体验和办事效率。

通过上述多元、客观的目标商户数据，来刻画无偏、准确的经营真实性重点保障白名单，能够精确识别白名单商家并剔除出风控范围，在风控决策时避免实施平台强限制类管控从而导致不必要的资源损耗，优化商户经营体验。

基于安全可信分，风控策略生成模块可以预先设置安全可信分阈值，用于划分低风险商户和高风险商户。比如，可以将安全可信分阈值设置为60分，若目标商户的安全可信分低于60分，则确定为高风险商户，即已经出现了较严重的风险行为，需要实施风险管控策略；将安全可信分为60-80分的商户确定为低风险商户，表示有风险趋势或者风险较小的目标商户，可以采取一些预防策略规避风险；高于80分的商户则被认定为当前无风险的商户，可以正常进行经营活动。

风控引擎通过部署在其中的策略推荐模型生成对应的管控策略，策略推荐模型用于根据采集到的高风险目标商户的经营数据识别并分析存在的风险类别，从而决策出合适的管控策略；其输入为高风险目标商户的历史经营行为数据(包括但不限于收款行为、经营类别、买家反馈等数据)，输出对应的管控策略。

在一些实施例中，风控引擎中的策略推荐模型采用以下方式预训练得到：

S200：基于历史管控数据，确定管控策略集合；

S202：针对管控策略集合中的每个管控策略，收集相应商户在被实施该管控策略前的第一经营行为数据，以及收集相应商户被实施该管控策略后的第二经营行为数据和相应商户对该管控策略的申诉数据；

S204：基于第二经营行为数据，确定该管控策略的管控效果得分；

S206：基于第二经营行为数据，确定环境信息；

S208：基于管控效果得分和申诉数据，确定激励信号；

S210：基于环境信息和激励信号进行强化学习，直至获得满足预设条件的策略推荐模型。

在一些更具体的实施例中，策略推荐模型可以基于MLP网络结构构建，所采用的强化学习方法可以是PPO强化学习法。

风控引擎根据高风险商户的历史经营行为数据推荐出至少一个相应的管控策略，并分别预测实施管控策略后的管控效果以及用户体验效果，以量化的形式对各管控策略进行评价，从而选出最符合管控预期的管控策略，以确定为该高风险商户实施，既考虑风险控制结果，又兼顾用户的反馈，最终能够较好地实现风控和用户体验之间的平衡。

在一些实施例中，风控引擎可以采用abtest方法进行管控策略的决策，即针对不同的管控策略，通过随机流量分别实施，再分别评估各管控策略的实际管控效果和用户体验效果，并进行比对，从而以实践的方式科学决策出更有效的管控策略。

在一些实施例中，风控引擎在对高风险商户实施管控策略后，向高风险商户反馈管控提示信息，并在管控提示信息的展示页面中嵌入申诉渠道入口链接。

在一些更具体的实施例中，管控提示信息用于描述高风险商户的经营风险行为类别；展示页面中嵌入的申诉渠道入口链接，用于指向经营风险行为类别对应的申诉渠道。

风控引擎在向高风险商户反馈管控提示信息时，能够实现实时的服务链路引导。首先通过打通风控引擎所在的系统以及其他相关系统交换数据，使商户被管控后能与风控引擎进行风险信息的实时动态交互，得知具体的被管控的功能以及管控原因等信息。接着通过将申诉渠道入口链接嵌入管控提示信息的展示页面，实现风控服务的实时引导，减少商户寻找申诉渠道的难度以及申诉路径上的跳转和断点，从而在提高申诉效率效率的同时优化了用户体验。

在一些实施例中，风控引擎将高风险目标商户引导至安全服务阵地进行申诉。在安全服务阵地中，结构化地展示出了对目标商户的处置记录，包括平台限制类型、管控原因、管控周期等管控信息，能够降低被管控的目标商户的理解成本，实现风控环节透明化。另外，对于已经提交申诉请求、进入申诉流程的目标商户，风控引擎将在安全服务阵地的特定页面展示申诉问题处理时效、审核资料驳回原因以及要求等信息，从而加强申诉流程的流程性和申诉通过率。

在申诉过程中，目标商户需要根据要求提交例如营业执照、店铺招牌、法人身份信息等能够证明其经营合法性的申诉材料，材料的形式包括但不限于文本、图片和文件等，上传后进入审核系统进行审核，可以采用人工审核的方式，也可以将智能审核与人工审核结合。

在一些实施例中，风控引擎还提供商户自助申诉渠道，以考虑到风险浓度较低的商户或者混合经营商户等特殊商户，通过拓展交互智能视频核查经营场景、视频承诺规范经营等多种动态交互申诉手段，实现基于商户特征各异的申诉方案。

在一些实施例中，风控引擎还包括：

S300：获取高风险商户通过申诉渠道提交的申诉材料；

S302：基于预设的审核模型对申请材料中符合预审条件的材料进行预审核；

S304：若预审核结果为不通过，则将不通过的审核内容反馈给高风险商户修改；

S306：若预审核结果为通过，则将申诉材料转到人工审核节点继续审核。

高风险商户提交的申诉材料应包括至少一张申诉图片，例如营业执照、店铺招牌或者法人身份证等能够证明其经营资质合规性以及经营活动真实性的资质材料，以供风控引擎的审核系统根据监管要求和风控需求，对商户资质进行真实性、完整性以及有效性审核，包括但不限于商户资质是否是伪造或冒用他人资质，相关证件例如营业执照是否在可用期限内，商户提供的资质材料是否完整。

当预审核不通过时，审核系统将会驳回原因以及要求详细地展示给高风险商户，以引导高风险商户修改后重新提交申诉材料，提高审核通过率。若出现多次预审核不通过的情况，审核系统将直接安排人工审核环节。

风控引擎通过智能预审核与人工审核结合的方式能够覆盖人工审核无法支持的审核点，实时反馈申诉材料中存在的风险，并帮助受管控的高风险商户更快恢复经营开展，提高整体审核效率的同时保证了良好的用户体验，另一方面还能解决人力审核成本，降本增效。

在一些实施例中，风控引擎在对高风险商户执行管控策略后，通过预先设置在解控渠道中的节点获取高风险商户针对管控策略的解控行为数据；基于发生解控行为数据的节点，确定高风险商户的解控行为路径；基于解控行为路径与预设解控路径，确定解控行为路径上的用户体验障碍点。

预先设置在解控渠道中的节点用于采集高风险商户在实施管控策略过程中涉及到的数据，这些数据包括例如风险数据、服务引导数据、商户行为数据、申诉数据等多模态多来源的解控行为数据。风控引擎通过在解控渠道的各个环节中埋下节点，可以融合多种数据还原高风险商户的解控行为路径，建设商户路径动线大图，从而能清晰地展现解控全链路上商户在申诉、审核等各个环节的执行情况与障碍点情况，与预设的能够顺利解控的理想路径进行比对，以检测高风险商户的解控行为是否合理，还能获得出现阻碍用户体验障碍点对应的具体环节从而对症下药。针对检测出的用户体验障碍点，风控引擎可以获得进一步的优化，从而实现商户的风控体验反馈数据化运营。

本说明书中的一种实施方式还提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器通过运行可执行指令以实现如上风控服务提供方法中任一所述的方法。

本说明书中的一种实施方式还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现如上风控服务提供方法中任一项所述的方法。

图7示例性地示出了本说明书实施例提供的一种电子设备的结构图，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统500的结构示意图。图7示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

在一个典型的配置中，计算机500包括一个或多个处理器(CPU)502、输入接口508、输出接/510、网络接口506和存储器504。

存储器504可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

特别地，根据本发明公开的实施例，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，本发明公开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程序代码。在该计算机程序被中央处理单元(CPU)502执行时，执行本发明的方法中限定的上述功能。

需要说明的是，本发明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——但不限于——电、磁、光、电磁、红外线、或半导体的系统、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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，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系统、装置或者器件使用或者与其结合使用。而在本发明中，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程序代码。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系统、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程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取单元、安全可信分模块、风控策略生成模块和风控引擎。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，数据获取单元还可以被描述为“配置为获取目标商户在预设时间段内的历史经营行为数据的单元”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取目标商户在预设时间段内的历史经营行为数据；基于历史经营行为数据，确定目标商户当前的安全可信分；基于安全可信分，确定低风险商户和高风险商户；基于低风险商户的风险类别，向低风险商户发起预设的自主风险管理交互服务；并在低风险商户完成自主风险管理交互服务后，更新低风险商户的安全可信分；基于高风险商户的历史经营行为数据，通过策略推荐模型确定针对高风险商户的管控策略。此外，策略推荐模型在可以直接在该计算机可读介质中训练，也可以训练好后再加载到该计算机可读介质中。

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。还要注意的是，附图中的每个方框、以及附图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

需要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。